CN107430079A

CN107430079A - 从在不同能量级别拍摄的x射线图像确定对象的质量的方法

Info

Publication number: CN107430079A
Application number: CN201680020935.3A
Authority: CN
Inventors: N·哈特维希
Original assignee: Mettler Toledo LLC
Current assignee: Mettler Toledo International Inc
Priority date: 2015-04-07
Filing date: 2016-04-06
Publication date: 2017-12-01
Anticipated expiration: 2036-04-06
Also published as: PL3078944T3; US9945714B1; US20180106660A1; WO2016164411A1; CN107430079B; EP3078944B1; DK3078944T3; EP3078944A1

Abstract

一种通过在放射照相检查系统中、特别是在具有拍摄多个数量J的能量级别的扫描图像的能力的X射线扫描仪中扫描对象来确定所述对象的质量的方法，具有三个模式或部分，即：初始学习模式，正常操作模式，和学习改进模式。初始学习模式，其中，扫描参考对象并将它们的实际质量称重并存储为参考值。正常操作模式，其中，针对与所述参考值的兼容性来扫描和分析具有未知质量m的样本对象，并且如果发现是不可兼容的，那么所述方法分支到所述学习改进模式。学习改进模式，其中，通过称重和更新所存储的参数值来确定被发现为不可兼容的所述样本对象的实际质量。

Description

从在不同能量级别拍摄的X射线图像确定对象的质量的方法

技术领域

本发明涉及射线照相检查系统的领域，例如在其中受检查的物品或材料经过X射线机器行进的扫描仪系统，或在其中在移动或静止状态下拍摄单个对象或散装物料的X射线图像的任何其他射线照相设备。这种检查系统的应用包括在食品和制药行业中进行的质量控制检查，例如检测包装的产品中异物的存在，或者还基于扫描图像验证产品的特定组成，例如香肠的盐或脂肪含量。如早已知道的，也可以基于X射线图像来确定或至少估计对象的质量，并且本发明特别地涉及一种从用射线照相检查系统获得的图像来确定或验证对象的质量的改进的方法。

背景技术

这种类型的检查系统或扫描仪系统通常具有布置在具有入口和出口的柜式外壳内的固定辐射源和固定线性检测器阵列，以及用于将受检查的物品运送通过入口，通过辐射源与检测器阵列之间的空间，并通过出口送出的传送带。通常，成像辐射源自来自例如X射线管的局部源的扇形的平面射线束，并且被统称为检测器的光电二极管的线性阵列接收，其中，扇形辐射束和光电二极管的线性阵列位于公共平面中，也被称为扫描平面，所述扫描平面基本上正交于承载受检查物品的传送机的行进方向。当物品移动通过扫描平面时，检测器的更新频率与传送机的速度协调，使得由检测器阵列生成的信号的序列可转换为具有例如以8位或16位亮度标度表示的不同亮度值的光栅点的图案，代表辐射源与辐射检测器之间的物质体的透明阴影图像。如果所扫描的物品含有例如金属碎片的异物，所述金属碎片与所扫描的物品相比具有对扫描射线更低的透射率，则射线照相图像将会将这些异物显示为所扫描的物品的透明阴影图像内的较暗的区域。

从扫描图像，即构成图像的像素的亮度值的总和，可以确定或至少估计对象的质量，这是由于每个单独像素点的亮度值是由相应的二极管接收的光线的强度的代表，而强度又与材料的特性和由射线在对象内穿过的距离相关。利用下文将要解释的一些理想化假设，单个像素i(整个扫描图像的n个像素之外)的亮度或者强度I_i(μ,d)作为衰减μ和由相应的射线在所扫描的对象的材料内行进的距离d的函数可由指数关系表示

I_i(μ,d)＝I_0,i·e^-u.d (1)

其中，μ是材料的吸收系数，I₀是当从辐射源到传感器二极管的路径没有被检查对象中断时，由同一二极管接收的全辐射。无量纲比率I_i(μ,d)/I_0,i将在下文中也被称为像素值P_i，像素值P_i的整体将被称为扫描图像。因此，距离d_i，即图像像素i处的检查对象的局部厚度，可以从以下等式确定

d_i＝-(1/μ)·ln(I_i/I_0,i)＝-(1/μ)·ln(P_i) (2)

检查对象的质量可通过所有图像像素的总和来确定或者来至少估计

或者，通过用符号A替换负和

其中，k代表总对数吸收A(由总和表示)与检查对象的质量m之间的总质量因子。

然而，如上所述，质量的这种估计依赖于一些理想化的假设，主要是假设吸收系数在整个检查对象以及从一个对象到下一个对象是恒定的，由X射线管发射的整个频谱内的所有能量级别E的射线通常覆盖从例如20keV的低端到例如60至140keV的高端的范围。换句话说，由X射线管发射的辐射I₀不是单色的，而是分布在光谱上，其中，是在整个能量范围上平均的非衰减平均强度，τ(E)是检测到的光子处于能量E的概率密度。吸收系数μ在很大程度上与辐射的能量级别有关，光谱的较低能量分量通常被更多地吸收，而光谱的较高能量分量通常被较少地吸收。衰减μ是材料相关的：材料的原子数越高，高能量辐射与传输的总辐射成比例的比率越大，称为“束射硬化”的现象。由于当例如伽玛辐射和X射线的高能量辐射通过物质时变得“更硬”，意味着通过后的剩余光谱仅包含较高能量的光子，所以词语“束射硬化”通常与屏蔽措施结合使用。

因此，d_i和I_i之间的对数关系(2)仅代表实际情况的近似。此外，还应注意，上述等式意味着以下假设：穿过对象的辐射是垂直的，平行的且不发散的，被扇形辐射束仅宽松地近似的条件。

概括地说，为确定由多种不同材料组成的对象的质量，必须知道具有相应材料厚度的所有精确的光谱相关的吸收系数μ，材料内沿每条射线的μ的变化以及不同的材料的确切的数量。那么确切的关系是：

其中：

-是非衰减的X射线强度，其由源发射并且在X射线源与检测器之间没有任何材料的情况下由检测器接收的，

-μ是吸收系数，其与辐射的能量级别(波长)和沿射线路径的位置坐标s有关，和

-I(E)是在射线已经行进经过测试对象之后在传感器处测量的X射线强度。

因此，从射线照射图像估计质量的思想，在检查对象的组成以及形状和尺寸上没有剧烈变化的情况下持有最大希望，即通常用于检查表面上同样的对象的质量。如果需要，可通过“学习”过程来初始确定并周期性地更新质量相关因子k，在所述“学习”过程中，检查对象的实际质量m_a是通过在秤上称量对象并将值m_a输入到以下等式中来确定的

与利用内嵌式传送机秤的常规检重相比，从X射线扫描图像确定质量具有以下优点：

-没有由于瞬态振荡的延迟，因此在更快的传送机速度下进行更精确的质量测量，

-可确定检查对象的部件的单个质量

-可确定单独所含之物的质量，从而忽略包装材料的波动。

另一方面，质量相关因子k对于检查对象中成分的比例的变化非常敏感。例如，食品的盐含量的微小变化将导致从扫描图像确定的质量的误差，所述误差仅可通过周期性地在称上对检查对象的实际质量m_a进行测量并依照等式(4)更新质量相关因子k的学习过程来被检测和校正。

在EP 2124024A1中，描述了包括内嵌式传送机秤的X射线扫描系统。移动通过系统的每个检查对象的质量都是通过内嵌式传送机秤进行测量，并由扫描图像确定。系统的所提出的用途是连续不断地比较两个结果，以发出任何大于预定值的差异，该预定值可指示传送机秤或X射线扫描系统中的缺陷；和/或以更新用于来自扫描图像的质量确定的改正值；和/或以计算具有不同比重的成分的重量比。由于每个扫描的物品也在传送机秤上进行称重，因此该系统失去了“X射线称重”的上述速度优势。

在EP 1950527 A1中描述的估计被扫描对象的质量的方法解决了上述束射硬化的问题。指数关系(1)由不同校准样本的像素亮度I(t)关于厚度(t)的经验测量的曲线或表替代。该方法的目的是减少由于检查对象中的厚度变化而从扫描图像估计质量的误差。由于扫描对象的组成的改变而引起的变化仍然必须通过如上所述的周期性重量检查和质量相关因子k的调整来校正。

在US 6,678,396 B2中，描述了一种使用所谓的双能量X射线吸收(DEXA：dualenergy X-ray absorption)扫描仪来测量肉的特性的方法，在所述双能量X射线吸收扫描仪中，检查对象的两个扫描图像(以像素亮度值阵列的形式)对象在不同的X射线能量级别拍摄。基于两个图像的数学确定的属性包括“有效原子序数”，“化学瘦肉百分比”和扫描的肉的嫩度因子。样本的质量也被提及为一种特性，其测量可通过双能量扫描方法改善，但没有描述这如何实现。

US2002/0168046 A1公开了一种用于通过具有至少两个能量级别的X射线束来确定食物或饲料的介质的性质的方法和装置。校准模型应用于由双能量X射线生成的值。该模型利用多变量方法，如主成分回归(PCR：Principal Component Regression)、多元线性回归(MLR：Multiple Linear Regression)、偏最小二乘法(PLS：Partial Least Squares)回归和人工神经网络(ANN：Artificial Neural Networks)。

发明内容

鉴于上述使用仅一个能量级别的方法的缺点以及使用两个或两个以上能量级别的质量确定方法的潜在优点，本发明的目的是提出一种质量确定方法，其采用多个不同能量级别的X射线扫描图像，并且其可自动适应检测对象中不同成分物质的比例的变化。

到目前为止，术语“能量级别”已经与光谱范围的一般含义一起使用。如上所述，在检查系统中由X射线管发射的整个光谱通常覆盖从例如20keV的低端到例如60至140keV的高端的范围。由本发明深入考虑的“多能量方法”旨在使用彼此直接接界的多个明确限定的能带，并形成从最低到最高能量，例如在三能系统中20-60keV、60-100keV和100-140keV的进程。因此，下文中术语“能量级别”具有这种限定的能带的含义而使用。能带可以(a)源自不同的辐射发生器，或(b)可通过用于不同能带的相应检测器的不同光谱灵敏度来确定，或(c)通过两者的组合来确定。

在第一种情况(a)中，其可被称为“有源多能法”，可使用例如分别具有40kV、60kV、80kV、100kV、120kV的五个发电机，每个配有检测相关发电机的整个能量范围的检测器单元。通过减法获得每个能带的X射线图像。例如，通过从80kV图像中减去60kV图像获得60-80kV带中的图像。

情况(b)，其可被称为“无源多能法”，可在实践中通过使用直接转换能量分辨X射线检测器或通过使用多个常规双能量检测器来实现，其能量分离通过设计被优化。

情况(c)，“组合方法”类似于情况(a)是在于使用例如40kV、60kV、80kV、100kV、120kV的多个发电机。为了分离能带，40kV发电机与具有检测阈值为20kV的检测器配对，60kV发生器与具有检测阈值为40kV的检测器配对。

以上所陈述的目的通过独立权利要求1中阐述的方法来实现。在从属权利要求中描述了本发明的附加方面和细节以及两个能带的具体情况。

根据本发明的方法用于通过在放射照相检查系统中扫描对象来确定或验证对象的质量m，所述放射照相检查系统特别是具有以像素值阵列的形式拍摄扫描图像SI的能力的X射线扫描仪，其中，i是从1到n的标识n个像素中的每个的整数，j是从1到J的标识从从最低级别1到最高级别J的J个能带中的每个的整数，并且其中，I代表由于对象中的吸收而导致的像素i的降低的辐射强度，I₀代表在不存在对象的情况下像素i的全部辐射强度。下文中，与像素相关联的运行索引i将被示为下标索引，而与能带相关联的运行索引j将被示为上标索引。

基本上，根据本发明的方法具有初始学习模式、正常运行模式和学习改进模式。

在初始学习模式中：

-具有名义上相同的材料组成的参考对象的有限数量u，其代表在正常操作模式中进行质量确定的对象的组成，并且其在有限的范围内变化，在秤上单独进行称重，以确定它们各个的实际质量m₁...m_u；

-在射线检查系统上扫描所述参考对象，以确定其各自的扫描图像SI₁...SI_u；和

-基于实际质量m₁...m_u和扫描图像SI₁...SI_u，扫描系统计算并存储限定数学关系的参数值的初始集合，通过所述数学关系，可从对象的扫描图像SI确定对象的未知质量m。

在正常操作模式中：

-扫描未知质量m的样本对象以获取扫描图像SI，

-对于未知质量m的每个样本对象，分析从扫描图像SI获得的扫描图像数据用于与所存储的参数值的兼容性，和

-如果发现扫描图像数据可兼容，则借助于所存储的参数值，从扫描图像SI确定对象质量m，

-如果发现数据不兼容，则方法切换到学习改进模式。在学习改进模式中：

-样本对象(发现其扫描图像数据不兼容)的实际质量m是通过在秤上对对象进行称重来确定的，

-扫描系统基于扫描图像数据和对象的称重实际质量m来更新存储的参数值。

该方法基于在扫描对象的质量m与扫描图像SI之间存在数学关系的条件，该数学关系可通过以下等式进行描述

其中，k被定义为质量相关因子，A代表总对数吸收

根据本发明，初始学习模式中的参考对象的有限数量u优选地等于能量级别的数量J，每个单独的参考对象由整数v＝1...u标识，单独参考对象的质量被标识为m_v，各个参考对象的扫描图像被标识为SI_v。

因此，在初始学习模式中，参考对象v被称重并对于v＝1...u依次扫描直到已经达到参考对象的总数u。

在对每个参考对象v进行称重和扫描之后，计算质量相关因子

其中，A_v表示总对数吸收

所有参考对象v的质量相关因子k_v存储在参考文件M_r中。

在已经为参考对象v确定质量相关因子k_v之后，针对在每个能量级别j<J的每个像素i确定所述参考对象v的束射硬化比替代地，束射硬化比也可对于在每个能量级别j<J的每个像素i被定义为

接下来，为参考对象v关于每个能量级别j<J计算总束射硬化比其中代表束射硬化比的频率直方图的质心。总束射硬化比与参考文件M中的质量相关因子k_v一起存储。

根据本发明的方法还基于以下条件：对于扫描对象，质量相关因子k是如从扫描的像素SI确定的总束射硬化比H^j＝H¹...H^J-1的线性函数，其中，线性函数具有以下形式

k＝c+a¹H¹+a²H²+...+a^(J-1)H^(J-1)

因此，在质量相关因子k_v和总束射强度比已经存储在存储文件M_r中之后，对于所有参考对象v＝1..u，可估计以下线性方程的系统：

.............................................................

并用于求解随后存储在系数文件M_c的未知数。

在根据本发明的方法中，为能量通道j＝1...J-1确定总束射硬化比用于校正由产品中的特定组分的相应浓度中的变化引起的质量确定误差。浓度变化间接地通过整体束射硬化比来确定，这转而进入到质量相关因子k的计算中。因此，质量相关因子k自动调整自身以适于扫描对象的组成的变化。

在正常操作模式下，对样本对象的未知质量m_s的确定遵循此步骤的序列：

N1其中，在射线照相检查系统中扫描未知质量m_s的样本对象，由此获取在所有能量级别j的像素值阵列(P_i ^j)_s；

N2其中，以与总对数吸收A_v相同的方式计算未知质量的样本对象的总对数吸收

和总束射硬化率并且在初始学习模式下计算总束射硬化率

N3其中，将束射硬化比与由在参考文件M_r中所有存储的值和值所限定的范围相比，并且其中，如果发现所有束射硬化比在范围内，进行步骤N4来继续该方法，如果发现束射硬化比中的一个或一个以上在范围之外，该方法分支到学习改进模式；

N4其中，通过将束射硬化比插入到方程

使用来自系数文件M_c的系数c,a¹,...,a^(J-1),来计算未知质量的样本对象的质量相关因子k_s。

N5其中，检查对象的质量被计算为

然而，如果在正常操作周期的步骤N3中，满足了分支到学习改进模式的条件，则开始具有以下步骤I1至I5的学习改6进循环：

I1称量在步骤N3中发现在范围之外的条件的样本对象s的实际质量m_s；

I2基于m_s和A_s，计算所述对象的质量相关因子k_s，并将k_s添加到参考文件M_r；

I3将所述对象的束射硬化比添加到参考文件M_r；

I4基于现在在参考文件M_r中的所有质量相关因子和所有束射硬化比和，使用最小二乘、拟合步骤重新计算更新的系数c,a¹,...,a^(J-1)；

I5用重新计算的系数c,a¹,...,a^(J-1)更新系数文件M_c。

执行学习改进循环准则的思想是基于以下合理的假设：即根据等式

的对质量相关因子k的计算仅是如果射束硬化比在由参考文件M_r中存储的值和值所限定的范围内而被认为是可信赖的，否则可必须调整系数c,a¹,...,a^(J-1)。

只有在正常操作周期的步骤N3中被需要时才需要执行学习改进周期。只要在正常操作模式中确定的束射硬化比在由参考文件M_r中记录的束射硬化比所构建的范围内，则可从扫描图像SI计算质量m。

在多能量扫描仪系统的情况下，在计算总对数吸收A时，将所有能带j＝1...J组合成单个能量范围，使得方程

与单能量扫描系统保持相同。在多能量情况下的不同之处在于现在可将质量相关因子k_s计算为可随样本对象s的材料组成而变化的束射硬化比的线性函数。因此，只要在初始学习周期和随后的学习改进周期，束射硬化比在由参考文件M_r中记录的束射硬化比限定的范围内，本发明的方法就允许从其扫描图像SI_s可靠地确定样本s的质量m_s。

双能量X射线吸收(DEXA)扫描仪代表了多能量扫描仪的最简单的情况。通过设置J＝2，直接在上文描述的通用情况之后的单个方法步骤在权利要求12至14中进行详细描述。

在两个能带j＝1和j＝2的情况下，只有一个总束射硬化比H。质量相关因子k的方程k＝c+a·H可图形地表示为图k(H)中的直线。在初始学习模式下，称重并扫描两个参考对象v＝1和v＝2。相关联的值对k₁、H₁和k₂、H₂代表在初始学习模式之后限定直线的两个参考点。随着更多的值对k_s、H_s以及因此更多的参考点被添加到随后的学习改进周期中，在每个学习改进周期中直线被重新计算为通过所有参考点的最佳拟合。

类似地，在J＝3的三个能量扫描仪的情况K下，在初始学习模式下称重并扫描三个参考对象v＝1,2,3，三值组k_v、为三个对象中的每个而存储在的参考文件M_r中的，并且系数c、a₁、a₂被存储在系数文件M_c中。三个三值组可图形化地表示为在坐标系(H¹，H²，k)中定义平面的三个点。随着更多的三值组k_s、以及因此更多的参考点被添加到随后的学习改进周期中，在每个学习改进周期中平面被重新计算为通过所有参考点的最佳拟合。

在具有三个以上能带的扫描仪的情况下，质量相关因子k与束射硬化比H^j之间的关系可通过所谓的超平面进行几何描述，然而，所述超平面不能再以图形方式可视化。

在一个或一个以上总束射硬化比H^j和与特定成分物质如NaCl、KCl或CaCl₂、脂肪、骨骼等的含量百分比之间可建立明确的相关性的情况下，还可设想使用本发明的方法不仅确定扫描对象的质量，而且确定这些成分的含量百分比。

附图说明

在下文中，将通过示例和参考附图对本发明进行更详细的说明，其中

图1A示出利用单能量X射线扫描仪的为可变盐含量的水溶液的质量确定的误差；

图1B示出利用单能量X射线扫描仪的为盐含量变化的谷物产品的质量确定的误差；

图2代表碳、氯化钠和氯化钙的线性吸收系数作为X射线能量级别的函数；

图3A示出双能X射线扫描仪的谷物产品的盐含量与总束射强度比H之间的关系；

图3B示出多能量X射线扫描仪的谷物产品的盐含量与总束射强度比H^j之间的关系；

图3C示出多能量X射线扫描仪的肉中的脂肪含量与总束射强度比H^j之间的关系；

图4示出根据本发明的方法的“学习阶段”；

图5代表DEXA扫描仪系统的方法的初始学习模式的流程图；

图6代表DEXA扫描仪系统的方法的正常操作模式和学习改进模式的流程图；和

图7示出与单能量X射线扫描仪相比，当用双能量X射线扫描仪测量时，质量确定中的误差作为谷物产品中可变盐含量的函数；

具体实施方式

图1A用于说明本发明要解决的问题。作为实验，在单能量X射线扫描系统上检查由1升蒸馏水组成的样本，因此具有已知的实际质量为m_a＝1kg。在学习模式中，如前所述那样，根据等式(4)确定质量相关因子k，

随后，在“称重模式”中，样本的盐含量从0％至10％逐步地增加。在每个步骤中，使用在学习模式中确定的质量相关因子k的值，样本的质量m在称上进行称量以及根据等式(3)进行确定，

如图1A所示，通过X射线扫描确定的质量值与实际质量偏离与盐含量大致成线性比例的误差，即对于盐含量的每个增加的百分比，误差增加约0.9％。所观察到的质量误差的作为盐含量的函数的线性简单地反映出：任何连续函数f(x)可在给定点x0附近通过其切线f(x)≈f(x₀)+f'(x₀)(x-x₀)近似。

图1B示出含有不同百分比的盐的750g的谷物包装的类似实验的结果。与图1A的示例相比，通过X射线扫描确定的质量值误差甚至更大，即对于盐含量的每个增加的百分比约为1.7％。

利用单能量X射线扫描，避免测量的质量的值中的重大误差的唯一方法是通过在称上频繁校核被检查产品的实际质量m_a并当偏差超过了给定的公差极限时调整质量相关因子k。

图2的曲线示出碳、氯化钠和氯化钙(例如在奶酪和豆腐中)的各自的线性吸收系数作为X射线能量级别的函数。在约100keV，吸收系数开始收敛，在140keV，它们几乎相同。如本示例所示，在不同能量级别的不同物质的吸收系数之间的差异在较低能量级别下最显着，为本发明的从以不同能量级别的X射线图像确定对象的质量的这种方法提供了依据。可基于产品中所含并且对其质量有显着影响的特定物质，有利地选择不同图像的能带。

图3A涉及以两级X射线能量运行的扫描系统。如先前在双能量扫描系统的情况中所解释的那样，可针对每个像素i分别确定硬化比并且可将总束射硬化比H计算为束射硬化比h_i的频率直方图中的质心值。图3A示出使用如图1B所示的变化的盐含量的750g的谷物包装，总束射硬化比H是如何作为盐含量的线性函数而变化的。束射硬化图对于不同的样本和不同的成分将是不同的，但是束射硬化比H与导致束射硬化的成分的百分浓度之间的关系将始终是线性的。

图3B示出具有十一个能量级别的多能量检查系统的十个束射硬化比曲线，其中E1代表计算的束射硬化比所处的能量级别中的最低，E10代表最高。能量箱E1至E10是均匀分布的。束射硬化比是相对最高能量通道E11来计算的，这是因为这样被发现产生最佳分辨率。较高能量曲线>E6示出较平坦的斜率，这表明作为束射硬化比的决定因素的盐贡献在这些能量通道中越来越少地被表示。运行几乎平坦的E10曲线，表明该通道中的含盐量贡献最小。

图3C示出了7个能量范围的，肉的8％对20％的脂肪含量的束射硬化率。显而易见的是，所有的能量通道都有助于整体脂肪含量的信息。在这种情况下，质量相关因子受肉的脂肪含量的影响。可通过校准束射硬化比来将脂肪含量直接考虑进来，然后通过将计算的各个能量通道的质量相关因子分配给图像的对数吸收和来获得所得重量。

如图1A和图1B所示，质量相关因子k中的变化与相关成分的浓度的变化成线性比例。考虑到，根据图3A、图3B和图3C，总束射强度比同样地与相同成分的浓度呈线性关系，因此质量相关因子k如图4所示那样是束硬化比H的线性函数。

该线性关系由图4的曲线图表示。曲线图上被显示为菱形符号“◆”的点代表根据本发明的方法的初始学习模式(参见流程图图5)下以及学习改进模式(参见流程图图6)下生成的值对H，k。在双能量扫描系统的第一学习周期(图5)中，为其实际质量m₁已经在称上称重的第一测试样本确定第一束射硬化率H₁和第一质量相关因子k₁。通过第二周期的循环，对其实际质量m₂同样在秤上已经称重的第二测试样本确定第二束射硬化比H₂和第二质量相关因子k₂。这些初始的两个值对H1、k1和H2、k2定义了一个直线，它可用线性方程k＝c+a·H表示，其系数可被计算为a＝(k₂-k₁)/(H₂-H₁)并且c＝k₁-a·H₁＝k₂-a·H₂。在图5的初始学习模式的最后步骤中，将初始数据集H₁、k₁、H₂、k₂、a、c存储在内存文件中，于是系统可开始以图6中示出的其常规操作模式运行。

在图6所示的DEXA扫描系统的正常操作模式中，扫描未知质量的样本，即记录它们像素化的扫描图像P_i ^Hi和P_i ^Lo，从这来确定未知质量的样本的束射硬化比H。接下来，评价值H是否在内存文件中的H的存储值的范围内。如果是的话，则使用c和a的存储值来计算质量比k＝c+a·H。在正常运行模式的最后步骤中，使用k的计算值从扫描图像P_i ^Lo计算质量m。

如果发现值H在内存文件中的H的存储值的范围之外，则正常操作模式分支到学习改进模式，其中通过称重来确定样本的质量m。基于为该样本已经记录的实际质量m和扫描图像P_i ^Lo，计算新的质量相关因子k。新的质量相关因子k和与其相关联的总束射硬化比H被存储在内存文件中。索引N表示现在在内存文件中的数据集H，k的数量。

在学习改进模式的最后步骤中，通过使用标准线性回归公式计算线性函数k(H)的斜率a和截距c的新值：

和

其中：

代表N个乘积k·H的平均值

代表质量相关因子的平均值

代表束射硬化比H的平均值

代表比的平方的平均值

代表比H的平均值的平方

当束射硬化比H在内存文件中所存储的束射硬化比的范围外时，替代于(或除了)分支到学习改进模式，该方法还可使用其他标准来分支到学习改进模式，例如在设定的时间间隔或物品的设定数量之后，或者基于所获得数据的统计上确定的趋势或发展。在实践中，大约10到20个学习周期将足以覆盖相应食品中相关成分的浓度中的大范围变化。

如果任何学习改进周期导致具有与从现有最佳拟合直线获得的值显著不同的质量相关因子k的值对(H，k)，则该系统可被编程以将此解释为不可信的结果，这可表示扫描产品中的问题或系统的缺陷。

与利用单能量系统确定扫描的对象的质量相比较，由于在双能量扫描系统中使用根据本发明的质量确定方法而实现的显著改进被记录在图7中。图G1代表使用单能量扫描系统的，图1B中的曲线图对于含有盐的不同百分比的750g谷物包装中的重量确定误差的副本。在该曲线图的范围内，即高达3％的盐含量，通过单能量X射线扫描确定的质量值中误差对于盐含量的每个增加的百分比，增加约1.7％。不同的是，图G2代表当使用根据本发明的双能量方法时相同产品的重量确定误差。在0至3％的盐含量的整个范围内，质量确定误差不超过0.3％。

在该示例中，除了质量测量之外，还可使用根据本发明的方法来确定氯化钠(或其浓度影响束射硬化比H的其它相关成分)的含量百分比。要实现这一点，必须扩大学习模式，使得每个学习周期除了称量实际质量m_a之外还包括测量氯化钠的实际含量百分比CP_a。类似于总硬化比H与质量相关因子k之间的线性关系(参见图4)，总硬化比H与百分比CP之间的相关性可建立为最佳拟合直线图，从所述最佳你和直线图，百分比含量CP可基于硬化比来确定。

根据本发明的方法还允许识别与对象本身显著不同的对象组成，例如由检查对象内的异物产生的对象组成，例如在食品中由钢制成的螺钉。这种相对较大的异物对束射硬化具有显著的影响。

虽然已经通过呈现特定示例描述了本发明，但是对于读者显而易见的是，可从本发明的教导中开发出许多其它变体实施例，例如通过将本发明的方法应用到不同的食品和不同的成分以及食品工业以外的应用。不言而喻，任何这样的变体实施例被认为是本发明的一部分。

Claims

1.一种通过在放射照相检查系统、特别是具有拍摄多个数量J的能带中的n像素的扫描图像的能力的X射线扫描仪中扫描对象来确定所述对象的质量的方法，其中，扫描图像SI由像素值阵列SI组成，意味着其中，i是从1到n的标识n个像素中的每个的整数，j是从1到J的标识从最低级别1到最高级别J的J个能带中的每个的整数，并且其中，I代表由于所述对象中的吸收而导致的像素i的降低的辐射强度，I₀代表在不存在对象的情况下像素i的满幅辐射强度，所述方法包括初始学习模式、正常操作模式和学习改进模式。

其中，所述初始学习模式包括：

-将有限数量u的由名义上相同材料组分构成的参考对象在秤上单独进行称重，从而确定所述参考对象的各自的实际质量m₁...m_u，其中，所述名义上相同材料组分表示在所述正常操作模式下进行质量确定的对象的组分，并且在有限的范围内变化；

-在放射照相检查系统上扫描所述参考对象，以确定它们各自的扫描图像SI₁...SI_u；和

-基于所述实际质量m₁...m_u和所述扫描图像SI₁...SI_u，计算并在扫描系统中存储限定对象的质量m与对象的扫描图像SI之间的数学关系的初始一组参数值；

其中，所述正常操作模式包括：

-扫描未知质量m的样本对象并从而获取未知质量m的所述样本对象中的每个的扫描图像SI，

-对于未知质量m的每个样本对象，从所述扫描图像SI确定一组扫描图像数据，针对与存储的参数值的兼容性来分析所述扫描图像数据，和

-如果发现所述扫描图像数据是可兼容的，则借助于存储的参数值，从所述扫描图像SI确定对象质量m，

-如果发现数据是不兼容的，则切换到学习改进模式；

并且其中，所述学习改进模式包括：

-通过在秤上对发现扫描图像数据不兼容的样本对象进行称重来确定所述样本对象的实际质量m，

-基于所述对象的扫描图像数据和称重实际质量m来更新存储在所述扫描系统中的所述参数值；

其中，在所述初始学习模式下，参考对象的所述有限数量u等于能量级别的数量J，每个单独的参考对象由整数v＝1...u标识，所述单独的参考对象的质量被标识为m_v，所述单独的参考对象的扫描图像被标识为SI_v；

其特征在于，对于每个参考对象v，计算质量相关因子

其中，A_v代表总对数吸收

<mrow> <msub> <mi>A</mi> <mi>v</mi> </msub> <mo>=</mo> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>J</mi> </munderover> <mi>l</mi> <mi>n</mi> <msub> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mi>v</mi> </msub> <mo>,</mo> </mrow>

并且k_v存储在被分配到所述参考对象的参考文件M_r中；并且对于每个扫描的参考对象v，为在每个能量级别j<J的每个像素i确定束射硬化比或束射硬化比

其中，对于每个能量级别j<J和每个参考对象v，总束射硬化比被计算为束射硬化比的频率直方图的质心，并且所述总束射硬化比与所述质量相关因子k_v一起存储在所述参考文件M_r中。

2.根据权利要求1所述的方法，其特征在于，对于扫描对象，所述质量相关因子k是如从所述对象的扫描图像SI确定的总束射硬化比H^j＝H¹...H^J-1的线性函数，其中，所述线性函数具有以下形式

k＝c+a¹H¹+a²H²+...+a^(J-1)H^(J-1)。

3.根据权利要求1或2所述的方法，其特征在于，在所述质量相关因子k_v和总束射强度比已经存储在所述内存文件M_r中之后，对于参考对象v＝1..u，为随后存储在系数文件M_c中的未知数c,a¹,...,a^(J-1)求解以下线性方程的系统：

4.根据前述权利要求中任一项所述的方法，其特征在于，所述正常操作模式包括步骤：

N1在所述射线照相检查系统中扫描未知质量m_s的所述样本对象s，由此获取在所有能量级别j的像素值阵列

N2以与在所述初始学习模式下计算的总对数吸收A_v和总束射硬化比相同的方式，为未知质量的所述样本对象计算总对数吸收

<mrow> <msub> <mi>A</mi> <mi>s</mi> </msub> <mo>=</mo> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>J</mi> </munderover> <mi>l</mi> <mi>n</mi> <msub> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>i</mi> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mi>s</mi> </msub> </mrow>

和总束射硬化比

N3将束射硬化比与由在所述参考文件M_r中所有存储的值和值所限定的范围相比，并且如果发现所有束射硬化比在范围内，则进行步骤N4来继续所述方法，或者如果发现所述束射硬化比中的一个或一个以上在范围之外，则分支到所述方法的学习改进模式；

N4通过将所述束射硬化比插入到方程

使用来自所述系数文件M_c的系数c,a¹,...,a^(J-1),来计算未知质量的样本对象的质量相关因子k_s。

N5将检查对象的质量计算为

5.根据前述权利要求中任一项所述的方法，其特征在于，所述学习改进模式包括步骤：

I1称量在步骤N3中发现在范围之外的情况的所述样本对象s的实际质量m_s；

I2基于m_s和A_s，计算所述对象的质量相关因子k_s，并将k_s添加到所述参考文件M_r；

I3将所述对象的束射硬化比添加到所述参考文件M_r；

I4基于现在在所述参考文件M_r中的所有质量相关因子和所有束射硬化比，使用最小二乘最佳拟合法重新计算更新的系数c,a¹,...,a^(J-1)；和

I5用重新计算的系数c,a¹,...,a^(J-1)更新所述系数文件M_c。

6.根据前述权利要求中任一项所述的方法，其特征在于，在一个或两个以上总束射硬化比H^j与特定成分物质如NaCl、KCl或CaCl₂、脂肪、骨骼等的含量百分比之间可建立明确的相关性的情况下，还使用本发明的方法来确定所述扫描对象的那些成分的含量百分比。

7.根据前述权利要求中任一项所述的方法，其中，所述放射照相检查系统是在两个能量级别j＝1和j＝2取得扫描图像的双能量X射线吸收(DEXA)扫描仪，其特征在于，所述初始学习模式包括以下步骤：

L1通过称量确定第一代表参考对象v＝1的实际质量m₁；

L2在所述放射照相检查系统中扫描所述代表参考对象v＝1，由此获取在所述两个能量级别中的较低能量级别下的像素值阵列(P_i ¹)_v＝1和较高能量级别下的像素值阵列(P_i ²)_v＝1；

L3基于第一实际质量m₁和像素值阵列(P_i ¹)_v＝1和(P_i ²)_v＝1，计算第一质量相关因子

并将所述质量相关因子存储在参考文件M_r中，其中

<mrow> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>=</mo> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mrow> <mo>(</mo> <mi>ln</mi> <mi> </mi> <msubsup> <mi>P</mi> <mi>i</mi> <mn>1</mn> </msubsup> <mo>+</mo> <mi>ln</mi> <mi> </mi> <msubsup> <mi>P</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> </msub> <mo>;</mo> </mrow>

L4为每个像素分别确定束射硬化比(h_i)_v＝1＝(P_i ¹/P_i ²)_v＝1，将第一总束射硬化比H₁计算为所述束射硬化比(h_i)_v＝1的频率直方图的质心并将所述第一总束射硬化比H₁与所述第一质量相关因子k₁一起存储在所述参考文件M_r中；

L5以第二样本质量m₂的第二参考对象v＝2重复步骤L1至L4一次，从而确定第二质量相关因子k₂和第二总光束硬化比H₂，并将所述第二质量相关因子k₂和第二总束射硬化比H₂存储在所述参考文件M_r中；

L6基于线性方程的系统

c+a·H₁＝k₁

c+a·H₂＝k₂

来计算线性方程

k＝c+a·H

的常数c和a

其中，根据步骤L3、L5和L6，c和a是未知数，H₁、k₁、H₂、k₂是存储在所述参考文件M_r中的值；和

L7将现在已知的系数a和c存储在系数文件M_c中。

8.根据权利要求6所述的方法，其特征在于，正常运行周期包括步骤：

N1在所述放射照相检查系统中扫描未知质量m_s的样本对象并由此获取在所述两个能量级别中的较低能量级别下的像素值阵列(P_i ¹)_s和较高能量级别下的像素值阵列(P_i ²)_s；

N2以与在所述初始学习模式下计算总束射硬化比H₁、H₂相同的方式，为所述样本对象计算总束射硬化比H_s；

N3将总束射硬化比H_s与由在所述参考文件M_r中存储的所有H_v值和H_s值所限定的范围相比，并且如果发现H_s在范围内，进行步骤N4来继续所述方法，如果发现H_s在范围之外，则分支到所述方法的学习改进模式；

N4通过将所述总束射硬化比H_s插入到方程

k_s＝c+a·H_s

使用来自所述系数文件M_c的系数c和a来计算未知质量的样本对象的质量相关因子k_s；和

N5将所述样本对象的质量m_s计算为

其中，A_s代表从在步骤N1中获取的像素值阵列(P_i ¹)_s和(P_i ²)_s计算的总对数吸收

<mrow> <msub> <mi>A</mi> <mi>s</mi> </msub> <mo>=</mo> <mo>-</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mrow> <mo>(</mo> <mi>ln</mi> <mi> </mi> <msubsup> <mi>P</mi> <mi>i</mi> <mn>1</mn> </msubsup> <mo>+</mo> <mi>ln</mi> <mi> </mi> <msubsup> <mi>P</mi> <mi>i</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mi>s</mi> </msub> <mo>.</mo> </mrow>

9.根据权利要求6或7所述的方法，其特征在于，所述学习改进模式包括步骤：

I1称量在步骤N3中发现的在范围之外的情况的样本对象的实际质量m_s；

I2基于m_s，计算所述对象的质量相关因子k_s，并将k_s添加到所述参考文件M_r；

I3将所述样本对象的束射硬化比H_s添加到所述参考文件M_r；

I4基于在所述初始学习模式期间存储在所述参考文件M_r中的质量相关因子k₁、k₂和总束射硬化比H₁、H₂和在所述学习改进模式的随后的周期期间添加到所述参考文件M_r中的所述质量相关因子k_s和总束射硬化比H_s，使用最小二乘最佳拟合法重新计算系数c和a；和

I5用重新计算的系数c和a更新所述系数文件M_c。