CN114258501A - 对肉类中xr/md不可检测的外来物体的检测 - Google Patents
对肉类中xr/md不可检测的外来物体的检测 Download PDFInfo
- Publication number
- CN114258501A CN114258501A CN202080056609.4A CN202080056609A CN114258501A CN 114258501 A CN114258501 A CN 114258501A CN 202080056609 A CN202080056609 A CN 202080056609A CN 114258501 A CN114258501 A CN 114258501A
- Authority
- CN
- China
- Prior art keywords
- background portion
- emr
- detection area
- characteristic
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 212
- 235000013372 meat Nutrition 0.000 title claims description 81
- 239000000463 material Substances 0.000 claims abstract description 296
- 230000005670 electromagnetic radiation Effects 0.000 claims abstract description 157
- 238000002310 reflectometry Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 39
- 230000003287 optical effect Effects 0.000 claims description 25
- 238000005286 illumination Methods 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001429 visible spectrum Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000356 contaminant Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000003042 antagnostic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 235000019687 Lamb Nutrition 0.000 description 1
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005112 continuous flow technique Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000013070 direct material Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- -1 meat) Natural products 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000123 paper Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005424 photoluminescence Methods 0.000 description 1
- 230000036211 photosensitivity Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/3416—Sorting according to other particular properties according to radiation transmissivity, e.g. for light, x-rays, particle radiation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C2501/00—Sorting according to a characteristic or feature of the articles or material to be sorted
- B07C2501/0081—Sorting of food items
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/85—Investigating moving fluids or granular solids
- G01N2021/8592—Grain or other flowing solid samples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
- G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Toxicology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
公开了一种检测系统(100),该检测系统具有:背景部(102),背景部与检测区域(104)相邻地布置;以及图像采集装置(106),图像采集装置配置成从背景部和检测区域接收背景部电磁辐射(EMR),检测区域构造和布置成接收用于输送到检测区域中的材料;其中,背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,背景部特性以EMR来与待输送到检测区域中的材料的材料EMR相匹配,材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性;并且其中,图像采集装置配置成当材料输送到检测区域中时,通过从材料EMR中扣除背景部EMR来检测位于材料内的外来物体。
Description
技术领域
实施例可涉及一种检测系统,该检测系统具有与检测区域相邻地布置的背景部,其中,图像采集装置接收来自背景部和来自检测区域的电磁辐射,以识别穿过检测区域的外来物体。
背景技术
常规检测系统通常依赖于x射线(XR)技术或马氏距离(MD)技术,且能够检测广泛的污染物和其它与质量相关的不合格。然而,由于存在不能被XR技术或MD技术检测到的一些外来物体污染物,导致XR/MD不可检测的事件。XR/MD不可检测的事件对于在肉类处理系统中使用的检测系统(即,被检测的材料是肉类)是常见的。导致XR/MD不可检测的事件的外来物体可包括例如以下各项:纸板、来自衬垫和传送机的塑性材料、切割刀和钩子、个人防护装备(例如耳塞、手套以及发网)、口袋里的物品(包括钢笔、铅笔以及糖纸)等。这些事件给从事肉类处理的实体带来了巨大的成本和负担。
此外,在没有肉类流动的情况下(即,当没有肉类被传送,但是传送机正在运行,并输送无意中夹带在系统中的外来物体时),常规系统无法检测到被传送穿过该系统的外来物体污染物。
弥补这些缺陷的已知手段是使用检测人员,在输送肉类穿过XR和/或MD检测器之前或之后,但在肉类进入绞磨机之前,检测人员对肉类进行目视检测。这类技术是劳动密集型的且效果有限,原因是检测人员受限于视觉检测,且只能看到肉的顶部层。然而,许多外来物体隐藏在肉类内部或者位于肉类下方,在肉类/传送机界面处。此外,在一段时间之后检测人员开始出现眼部/视觉疲劳,这进一步降低了检测人员识别外来物体的有效性。
可从DE 202006010023、EP 3242124、US 20150336135、US 20160263624以及WO2017048783了解已知的检测系统。已知的系统可受到限制,原因是它们不能有效且高效地检测XR/MD不可检测的事件。在没有肉类流动的情况下,已知的系统对被传送穿过处理系统的外来物体进行检测的能力也受到限制。
发明内容
实施例可涉及一种检测系统,该检测系统具有:背景部,背景部与检测区域相邻地布置;图像采集装置,图像采集装置配置成从背景部和检测区域接收背景部电磁辐射(EMR),检测区域构造和布置成接收用于输送到检测区域中的材料。背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,背景部特性以EMR来与待输送到检测区域中的材料的材料EMR相匹配,材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性。图像采集装置配置成当材料输送到检测区域中时,通过从材料EMR中扣除背景部EMR来检测位于材料内的外来物体。
实施例可涉及一种材料处理系统,该材料处理系统具有传送系统,传送系统具有构造成承载材料的传送带,传送带包括出料传送带,出料传送带布置成使得材料将穿过检测区域下落并降落在出料传送带上。材料处理系统可包括检测系统,检测系统具有:背景部,背景部与检测区域相邻地布置;以及图像采集装置,图像采集装置配置成从背景部和检测区域接收EMR,检测区域构造和布置成接收用于输送到检测区域中的材料。背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,背景部特性以EMR来与待输送到检测区域中的材料的材料EMR相匹配,材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性。图像采集装置配置成当材料输送到检测区域中时,通过从材料EMR中扣除背景部EMR来检测位于材料内的外来物体。
实施例可涉及一种用于检测的方法,该方法包括:将背景部与检测区域相邻地布置,背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性。方法可包括:将材料流的材料引导到检测区域中,材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性。方法可包括:通过至少从材料的EMR中扣除背景部的EMR来检测材料特性是否与背景部特性不同。
附图说明
在结合附图阅读以下详细描述时,本公开的其它特征和优点将变得更加明显,在附图中相似的元件由相似的附图标记表示,且在附图中:
图1示出了示例性检测系统;
图2示出了检测系统的实施例的示例性构造;
图3示出了检测系统的实施例的另一示例性构造;
图4示出了可与检测系统的实施例一起使用的计算机装置的实施例的示例性构造;
图5示出了可与检测系统的实施例一起使用的示例性材料处理系统;以及
图6示出了可与材料处理系统的实施例一起使用的示例性分离单元。
具体实施方式
参照图1至图3,实施例可涉及一种检测系统100,检测系统100具有:背景部102,背景部102与检测区域104相邻地布置;以及图像采集装置106,图像采集装置106配置成从背景部和检测区域104接收背景部电磁辐射(EMR),检测区域104构造和布置成接收用于输送到检测区域104中的材料。
检测系统100可以是如下设备:该设备用于对进入和/或穿过检测区域104的材料进行检测,以确定该材料是否是外来物体,和/或确定该材料是否夹带有外来物体(例如,外来物体混入该材料中、位于该材料的顶部上、位于该材料的下方等)。例如,检测系统100可以是材料处理系统500(例如肉类处理系统)的一部分。材料处理系统500可具有使得材料穿过检测区域104的传送系统。检测区域104可以是材料处理系统500的指定区域,用于为了质量保证的目的而对材料进行检测。考虑检测区域104是传送系统的一个区域,材料以自由落体的方式穿过该区域下落。例如,传送系统可包括传送带502,传送带502具有进料传送带502a和出料传送带502b,进料传送带502a相对于出料传送带502b布置,使得材料将从进料传送带502a下落、穿过检测区域104、并降落在出料传送带502b上。传送系统的、使得材料从进料传送带502a下落到出料传送带502b的那部分可被称为瀑布区域504。使检测区域104配置成用于对以自由落体的方式进入的材料进行检测的指定区域,可能有益,原因是检测系统100可更好地使得能够检测外来物体,否则外来物体可位于在传送带502上的肉类层的下方。
检测系统100可用于识别穿过检测区域104的任何材料是否是除了肉类之外的物质。因此,检测系统100可识别穿过检测区域104的物体(无论该物体位于肉类之内、与肉类分离、与肉类同时穿过检测区域104、在没有肉类的情况下穿过检测区域104等)是否是除了肉类之外的物质。例如,检测系统100可确定穿过检测区域104的肉类流是否被外来物体污染(例如,来自材料处理系统500的设备的部件松动,且与肉类一起通过传送系统输送),和/或即使在没有肉类被输送穿过检测区域104的情况下,检测系统100可确定是否有外来物体穿过检测区域104(例如,工人丢失手套,且在没有肉类流动穿过系统的情况下,手套通过传送系统输送)。外来物体可以是预期不是肉类或肉类混合物的一部分的任何物质,例如纸板、来自衬垫和传送机的塑性材料、切割刀和钩子、个人防护装备(例如耳塞、手套以及发网)、再到口袋里的物品(包括钢笔、铅笔以及糖纸)等。
检测系统100可具有与检测区域104相邻地布置的背景部102。检测区域104可以是用于对进入检测区域104中的材料进行检测的空间体积。背景部102可以是与该空间体积相邻地布置(例如,靠近、抵靠该空间体积等)的物体(例如片材、背板等),使得背景部102的至少一部分位于空间体积的视场(给定场景的角度范围)内。如将在本文中说明的,位于视场内将使得来自照射源200的EMR能够被引导到检测区域104和背景部102,并使得从位于检测区域104和背景部102内的材料发射的EMR能够被图像采集装置106接收。
背景部102可构造成具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,背景部特性以EMR来与待输送到检测区域104中的材料的材料EMR相匹配,该材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性。例如,背景部特性可构造成具有与材料(例如肉类)的光学特性相匹配、但是与任何预期的外来物体的光学特性不匹配的光学特性。外来物体(例如非预期的外来物体)可具有与背景部特性的光学特性相匹配的光学特性,但是这种可能事件发生的机会预计较低。例如,如果材料是肉类且肉类被肉类处理系统处理,则可以以高度的统计学确定性来确定肉类的光学特性将是什么(原因是由于肉类在受控的条件下被处理,因此可知道肉类混合物的成分)以及外来物体的光学特性将是什么,原因是可以在这种受控的条件下存在的可能的外来物体的数量有限。因此,肉类的材料特性可具有鲜明的材料发射率、鲜明的材料吸收率以及鲜明的材料反射率,而背景部可具有与肉类的鲜明的材料发射率、鲜明的材料吸收率以及鲜明的材料反射率相匹配或者至少基本上匹配的背景部发射率、背景部吸收率以及背景部反射率,使得当被光学设备检测时,背景部特性显现得与肉类特性相同。换言之,当将背景部特性与材料特性进行比较时,光学设备可能检测不到从背景部和材料发射的EMR的差异。然而,由于期望预期的外来物体具有与肉类和背景部的特性不同的外来物体特性(例如外来物体发射率、外来物体吸收率以及外来物体反射率),因此当将背景部特性与外来物体特性进行比较时,光学设备将检测到从背景部和外来物体发射的EMR的差异。
虽然考虑检测系统100通过对光学特性(例如发射率、吸收率以及反射率)进行检测和比较来运行,但是除了发射率、吸收率以及反射率之外,或者作为发射率、吸收率以及反射率的替代,可使用其它光学特性(例如折射、偏振、光致发光、透射、衍射、色散、二色性、散射、双折射、光敏性等)。
图像采集装置106可配置成当材料输送到检测区域104中时,通过从材料EMR中扣除背景部EMR来检测位于材料内的外来物体。图像采集装置106可布置成使得检测区域104和背景部102的至少一部分位于图像采集装置106的视场内。图像采集装置106可以是配置成接收EMR并基于波长、振幅、相位、偏振等分析EMR的光学设备。例如,图像采集装置可包括透镜、电荷耦合器件(CCD)以及电路(例如处理器、滤波电路等),以接收EMR、处理EMR、以及生成作为EMR比较的输出(从材料EMR中扣除背景部EMR)。透镜和CCD用于图像采集装置,这是示例性的,且应理解,可使用除了透镜和CCD之外或者作为透镜和CCD的替代的光学元件和传感器。
图像采集装置106的电路可配置成通过将从背景部102接收的背景部EMR与从进入检测区域104的材料接收的材料EMR进行比较,而将背景部特性与材料特性进行比较。实现这一点的一个方式是从所接收的EMR中扣除背景部EMR。例如,图像采集装置106可从检测区域104接收EMR(无论是否有材料或外来物体穿过检测区域104)以及从背景部102接收EMR。图像采集装置106可执行信号处理操作(例如傅立叶变换或其它操作),以使得能够对所接收的EMR进行数学表达和处理。然后,图像采集装置106从所接收的EMR中扣除背景部EMR(例如,从表示所接收的EMR的振幅、频率、相位等的值中减去表示背景部EMR的振幅、频率、相位等的值)。当没有材料或外来物体穿过检测区域104时,图像采集装置将仅接收背景部EMR作为所接收的EMR,其中,在这种情况下,从所接收的EMR中扣除背景部EMR将导致背景部EMR,其可限定成负读数(意思是没有检测到外来物体)。当只有作为肉类的材料穿过检测区域104时,图像采集装置将接收背景部EMR和材料EMR作为所接收的EMR,其中,因为背景部EMR和材料EMR相匹配,所以在这种情况下,从所接收的EMR中扣除背景部EMR将导致空读数,其再次可限定成负读数。当只有作为外来物体的材料穿过检测区域104时,图像采集装置将接收背景部EMR和外来物体EMR作为所接收的EMR,其中,因为背景部EMR和外来物体EMR不匹配,所以在这种情况下,从所接收的EMR中扣除背景部EMR将导致EMR差异,其可限定成正读数(意思是检测到外来物体)。当作为肉类和外来物体的材料穿过检测区域104时,图像采集装置将接收背景部EMR、材料EMR以及外来物体EMR作为所接收的EMR,其中,因为背景部EMR和外来物体EMR不匹配,所以在这种情况下,从所接收的EMR中扣除背景部EMR将再次导致正读数。
如在本文中指出的,背景部特性可构造成与材料(例如肉类)的材料特性匹配或基本上匹配。由于材料特性会存在一些差异(由处理不同类型的肉类和肉类混合物导致),因此当执行EMR比较时,可设置阈值范围。例如,如果当进行扣除时EMR比较导致EMR的差异,但是该差异在预定阈值范围内,则它仍然可视为负读数。
如从以上分析可理解的,进行这种比较(从所接收的EMR中扣除背景部EMR)有助于检测进入检测区域104中的外来物体,而不管肉类是否也进入检测区域104中。还应注意,图像采集装置106可通过从所接收的EMR中扣除背景部EMR或通过从背景部EMR中扣除所接收的EMR来进行比较。
在一些实施例中,检测系统100可包括布置在检测区域104中的材料。在一些实施例中,检测系统100可包括位于布置在检测区域104中的材料内的外来物体。如在本文中指出的,检测系统100的一些实施例可配置成检测作为肉类的材料。
检测系统100的一些实施例可包括与图像采集装置106可操作地通信的计算机装置108,计算机装置108具有显示器110,显示器110用于显示材料特性和背景部特性的图像或图形表示。计算机装置108可以是与存储器可操作地相关联的处理器。存储器可包括存储在存储器上的计算机程序代码。
在本文中公开的处理器中的任何处理器可以是可扩展处理器、可并行处理器等中的至少一个。处理器中的任何处理器可针对多线程处理能力进行优化。在一些实施例中,处理器可以是图形处理单元(GPU)。处理器可包括能够根据至少一条指令来执行操作的任何集成电路或其它电子设备(或设备的集合),其可以是以下任一项或它们的组合:精简指令集核(RISC)处理器、复杂指令集核(CISC)微处理器、微控制器单元(MCU)、基于CISC的中央处理单元(CPU)、数字信号处理器(DSP)等。这些设备的硬件可集成到单个衬底(例如硅“裸片”)上,或者分布在两个或更多个衬底之中。处理器的各功能方面可单独作为与处理器相关联的软件或固件来实现。
可选地,存储器可与处理器相关联。存储器的实施例可包括易失性存储器存储(例如RAM)、非易失性存储器存储(例如ROM、闪存等)或者这两者的一些组合。例如,存储器可包括但不限于RAM、ROM、EEPROM、闪存、CDROM、数字通用光盘(DVD)或其它光学存储器、磁带盒、磁带、磁盘存储器或其它磁性存储器件、或者可用于存储期望信息且可由处理器访问的任何其它介质。存储器可以是非暂时性计算机可读介质。如在本文中使用的术语“计算机可读介质”(或“机器可读介质”)是一个可扩展术语,指的是参与给处理器提供指令以实施执行的任何介质或任何存储器,或者用于以机器(例如计算机)可读的形式存储或传输信息的任何机构。这种介质可存储将由处理元件、控制逻辑执行的计算机可执行指令和/或由处理元件和/或控制逻辑操控的数据,该介质能够采取多种形式,包括但不限于非易失性介质、易失性介质以及传输介质。
传输介质可包括同轴线缆、铜线以及光纤,其可包括包含或形成总线的线。传输介质还可采取声波或光波(例如在无线电波和红外数据通信期间产生的声波或光波)的形式,或者其它传播信号(例如载波、红外信号、数字信号等)的形式。例如计算机可读介质的形式包括软盘、柔性盘、硬盘、磁带或任何其它磁性介质、CD-ROM、任何其它光学介质、穿孔卡片、纸带、具有孔图案的任何其它物理介质、RAM、PROM和EPROM、快闪EPROM、任何其它存储芯片或存储盒、如下文描述的载波,或者计算机能够从中读取的任何其它介质。
用于实现在本文中公开的方法中的任何方法的指令可以以计算机程序代码的形式存储在存储器上。计算机程序代码可包括程序逻辑、控制逻辑、或者可基于或不基于人工智能(例如机器学习技术、人工神经网络技术等)的其它算法。存储器和计算机程序代码可配置成使得与存储器和计算机程序代码相关联的处理器实现在本文中公开的方法中的任何方法。
计算机装置108可具有显示器110,显示器110配置成显示背景部特性、材料特性和/或外来物体特性的图像或图形表示。例如,图像采集装置106可生成表示网格内的点的EMR比较(例如,从所接收的EMR扣除背景部EMR)的输出信号,该网格是穿过检测区域104的纵向轴线的虚拟几何平面。网格上的点可以是网格的坐标点(例如笛卡尔坐标),使得多个输出信号可表示来自网格上的多个点的EMR比较。计算机装置108可接收这些信号,并在多个输出信号的时间点处生成EMR比较的图像或图形表示。如检测系统100的用户或一些其它方案所指示的,检测系统100可配置成在连续的基础上、在周期性的基础上将来自图像采集装置106的输出信号发送到计算机装置108(且计算机装置108可生成输出信号的显示)。计算机装置108可将图像或图形表示发送到显示器110。显示器110可通过使像素生成用于负读数的预定颜色以及用于正读数的另一预定颜色来显示图像或图形表示。观看显示器110的用户可通过观看显示器上的像素的不同颜色来确定外来物体已进入检测区域104中。在一些实施例中,计算机装置108可配备有时钟,并将时间戳分配给由图像采集装置106接收的每个输出信号。然后,图像或图形表示可与时间戳一起显示在显示器110上,使得用户能够确定外来物体在什么时候进入检测区域104中。
在一些实施例中,背景部特性根据材料来选择,材料包括第一材料和外来物体材料,其中,第一材料具有第一材料特性,外来物体材料具有第二材料特性。第一材料特性等于背景部特性,第二材料特性不等于背景部特性。如在本文中指出的,背景部特性可构造成具有与材料(例如肉类或第一材料)的光学特性相匹配、但是与任何预期的外来物体的光学特性不匹配的光学特性。例如,第一材料特性可具有第一材料鲜明的材料发射率、第一材料鲜明的材料吸收率以及第一材料鲜明的材料反射率,因此背景部可具有与第一材料鲜明的材料发射率、鲜明的材料吸收率以及鲜明的材料反射率相匹配或者至少基本上匹配的背景部发射率、背景部吸收率以及背景部反射率,使得当被光学设备检测时,背景部特性显现得与第一材料(或肉类)特性相同。期望预期的外来物体具有与第一材料和背景部的特性不同的第二材料特性(例如第二材料发射率、第二材料吸收率以及第二材料反射率),因此当将背景部特性与第二材料特性进行比较时,光学设备将检测到差异。
如在本文中指出的,用于图像采集装置106和/或计算机装置108的处理器的实施例可具有存储在处理器上的、基于人工智能的计算机程序代码。人工智能可配置成给检测系统100提供机器学习,从而优化检测。在示例性实施例中,人工智能可配置成在图像处理期间使用对抗学习技术以进行检测优化。
传统图像处理方法使用多元统计技术来检测离群值(例如马氏距离(MD)),该多元统计技术利用单一特征向量:颜色。这从三维RGB(颜色)输入空间计算,其中,在转换空间中从每个目标像素到“肉类颜色”的训练或“学习”分布的距离决定该像素是“肉类”颜色还是“非肉类”颜色。在该技术中,颜色是提供“肉类”和“非肉类”之间的辨别的唯一特征向量。实际上,MD提供异常检测,其中,图像中存在“非肉类”颜色区域,就是异常。然后,这些异常被分类成为外来物体。
传统MD方法的一个问题是:某些类别的外来物体可能非常类似于“肉类颜色”,或者可能是半透明的/透明的,其中,这些外来物体没有表现出颜色,但是似乎具有与可存在于这些外来物体的背景部中的任何物体相同的颜色。此外,如何在肉类基质中呈现外来物体(其中,外来物体作为来自主要照射源的反射光和透射光以及来自检测区域中的照射源的二次反射的结果而呈现)会混淆颜色辨别。这不仅限制了系统在监督学习期间的“学习”程度,而且限制了运行时的辨别性能,这可增大错误拒绝率。
此外,包括人造(制造)产品的一些外来物体种类,无论颜色如何,都表现出与天然产品(例如肉类)不同的鲜明空间特征,例如笔直的边缘(或更通常地,边缘特征)、可精确重复的形式(示例:织物中的纹理)、或良好地/分散地分布的不相交形式(示例:纸板中的纤维)、精确的平行线、同心性、规则的几何形式(示例:带、垫片、硬币状、O形环)等,这使得通过MD进行异常检测变得困难。例如,实际上,先前不知道该空间中的辨别超平面将如何(以及在多大程度上)由特征向量(及其组合)确定。此外,由于外来物体种类/样本的领域无限,因此使用需要穷尽的训练集的技术,不切实际。因此,存在较大的“空间”特征向量集(实际上是开放式的集),对于该集,传统算法方法是不成熟的/盲目的。结合颜色特征向量,该空间特征向量集构成非常高维的数据空间。
然而,对抗学习技术的实施例使用卷积神经网络(CNN),卷积神经网络可用作生成式对抗网络或“GAN”的一部分。CNN和GAN基于集中在高维数据空间中的有效方法上的深度学习技术。更特别地,GAN可配置成使得两个网络在训练期间相互“对抗”竞争:一个网络(“生成器”)从随机噪声中生成真的负图像以及假的负图像(负的意思是没有外来物体);另一个网络(“辨别器”)-可访问训练图像-试图从来自生成器的图像中辨别(分类)哪些图像是真的以及哪些图像是假的。这两个网络可布置在彼此的反馈回路中,其中,生成器通过变得更加精通于生成能够欺骗辨别器的假的图像来“学习”,而辨别器通过变得更加精通于不被欺骗(即更好地辨别真的图像和假的图像之间的区别)来“学习”。这种异常检测技术可以在任何基于成像的检测应用(光学、红外、x射线等)中提供重大进步。
对抗学习技术的实施例可提供以下优点:
·训练集。通常,创建传统方法所需的、具有外来物体样本的大量图像,比较困难和昂贵。然而,对抗学习技术的实施例可使用大量的负图像(即,没有外来物体),这些负图像的获得容易且成本基本上较低。
·无监督学习。传统方法需要“监督学习”,其意思是系统使用标记的样本进行训练(即,先前就知道每个样本属于什么类别)。然而,对抗学习技术的实施例可利用无监督学习,其中,留给算法来开发和识别这些区别。
·泛化。神经网络算法在分类方案中的独特优势是神经网络算法的“泛化”能力:神经网络算法不需要进行穷尽的培训来处理每个可能的输入状态。当存在新的输入时,至少在神经网络算法的特征向量空间的维度内,神经网络算法将倾向于准确地分类。在视觉应用中,这转化成大幅增强的能力,以在噪声图像中识别不易察觉的甚至不完整的图案,而不会出现灾难性失败的趋势(简单的阈值化和像素计数经常发生这种灾难性失败)。
·扩展性。例如,对抗学习技术的实施例可扩展以包括来自其它成像模式(包括NIR和XR)的附加特征向量。
·马氏距离的限制。只有当底层数据集正常且是单峰(unimodal)时,MD才可很好地运行。对抗学习技术的实施例不依赖于正常且单峰的数据集。此外,MD对低饱和度颜色的色度辨别效果较差,而低饱和度颜色倾向于在肉类处理的成像中占主导地位。
·对抗学习技术的实施例不依赖于人(胜任或不能胜任)来确定合适的训练或辨别功能。相反,系统本身可从对抗训练中开发这些训练或辨别功能。
在一些实施例中,检测系统100可包括照射源200,照射源200配置成生成EMR并将EMR引导到检测区域104中,使得EMR将与背景部102相互作用,且当材料进入检测区域104中时,EMR将与该材料相互作用。照射源200可以是白炽灯、卤素灯、发光二极管、激光器、IR光生成器、UV光生成器、x射线生成器等。考虑照射源200是频闪灯,以给检测系统100的有效和高效运行提供所需的EMR强度。例如,对在材料处理系统500中传送的肉类进行分析所需的EMR的强度可以高,因此频闪灯(例如,在连续模式下)将能够以有效的方式产生所需的强度。
在一些实施例中,照射源200可配置成生成具有位于可见光谱中的波长的EMR。虽然照射源200可配置成生成位于EMR光谱中的任何波长下的EMR,但是考虑照射源生成位于可见光谱中的EMR(例如,波长在400nm到700nm的范围内)。进一步考虑照射源生成白光(包括位于可见光谱中的所有波长或基本上所有波长的光,每个波长具有相等或基本上相等的强度)。
图像采集装置106可以是光学相机(例如RGB相机、HLS相机等)。在配置成分析可见光谱的EMR的检测系统100的实施例中,图像采集装置106可以是光学相机。然而,如果另外地或可替代地,EMR分析包括对位于可见光谱之外的EMR的分析,则图像采集装置106可以是或包括用于这种分析的其它部件(例如天线、望远镜、分光镜、IR检测器或IR相机、NIR检测器或NIR相机、UV检测器或UV相机、X射线检测器等)。
在示例性实施例中,材料可包括第一材料和外来物体材料,其中,第一材料具有第一材料特性,外来材料具有第二材料特性。第一材料特性可使得与第一材料相互作用的EMR位于红色光谱内,背景部特性可使得与背景部相互作用的EMR位于红色光谱内。如在本文中指出的,材料可以是肉类,例如大块裁剪肉类(例如牛肉、猪肉、羊肉、火鸡、鸡肉等)的流。这种肉类(未烹饪且未加工)通常为红色(例如,从这种肉类发射的EMR的波长通常在625nm至675nm的范围内)。因此,在第一材料为肉类的实施例中,背景部102可构造成具有背景部特性,使得从背景部发射的EMR为红色,以与从第一材料或肉类发射的EMR相匹配。
在一些实施例中,检测区域104可被纵向平面分割成第一检测区域侧104a和第二检测区域侧104b。例如,检测区域104可通过纵向平面沿着竖直方向平分,从而形成第一检测区域侧104a和第二检测区域侧104b。在一些实施例中,背景部102可包括位于第一检测区域侧104a中的第一背景部102a以及位于第二检测区域侧104b中的第二背景部102b。第一背景部102a和第二背景部102b中的任何一个或其组合可布置成相对于纵向平面平行或成任何其它角度。
材料可以在第一背景部102a和第二背景部102b之间进入检测区域104中。照射源200可配置成将EMR引导到检测区域104中,使得EMR将与第一背景部102a、第二背景部102b相互作用,且当材料进入检测区域104中时,EMR将与该材料相互作用。例如,照射源200可布置成使得从照射源200发射的EMR入射到检测区域104(以及进入检测区域104中的任何材料或外来物体)、第一背景部102a以及第二背景部102b上。一些实施例可包括多个照射源200。例如,第一照射源200可配置成发射EMR以入射到检测区域104(以及进入检测区域104中的任何材料或外来物体)和第一背景部102a上。第二照射源200可配置成发射EMR以入射到检测区域104(以及进入检测区域104中的任何材料或外来物体)和第二背景部102b上。
在一些实施例中,图像采集装置106可包括第一图像采集装置106和第二图像采集装置106。第一图像采集装置106可配置成检测材料特性是否与第一背景部102a的背景部特性不同。第二图像采集装置106可配置成检测材料特性是否与第二背景部102b的背景部特性不同。例如,第一图像采集装置106可配置成执行与来自第一背景部102a的背景部EMR的EMR比较,第二图像采集装置106可配置成执行与来自第二背景部102b的背景部EMR的EMR比较。
参照图4和图5,实施例可涉及一种材料处理系统500,材料处理系统500包括传送系统,传送系统具有构造成承载材料的传送带502。传送带502可包括出料传送带502b,出料传送带502b布置成使得材料将穿过检测区域104下落并降落在出料传送带502b上。在一些实施例中,传送带502可包括进料传送带502a和出料传送带502b。进料传送带502a可相对于出料传送带502b布置,使得材料将从进料传送带502a下落、穿过检测区域104、并降落在出料传送带502b上。传送系统的、使得材料从进料传送带502a下落到出料传送带502b的那部分可被称为瀑布区域504。应理解,传送系统可配置成通过连续流动处理或者通过分散流动处理或分批次流动处理来输送材料。
材料处理系统500可包括检测系统100,检测系统100具有:背景部102,背景部102与检测区域104相邻地布置;以及图像采集装置106,图像采集装置106配置成从背景部102和检测区域104接收EMR,检测区域104构造和布置成接收用于输送到检测区域104中的材料。例如,检测系统100的实施例可与材料处理系统500合并或与材料处理系统500一起使用。
在材料处理系统500中使用或与材料处理系统500一起使用的检测系统100的实施例可构造成使得背景部102具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,背景部特性以EMR来与待输送到检测区域104中的材料的材料EMR相匹配,该材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性。
图像采集装置106可配置成当材料输送到检测区域104中时,通过从材料EMR中扣除背景部EMR来检测位于材料内的外来物体。
在一些实施例中,材料是肉类,外来物体是污染物。
在一些实施例中,材料处理系统500可包括与图像采集装置106可操作地通信的计算机装置108,计算机装置108具有显示器110,显示器110用于显示材料特性和背景部特性的图像或图形表示。
计算机装置108可包括控制模块400以控制传送带502的运行。控制模块400可以是处理器或其它电路和机械装置,其配置成控制传送系统的运行情况,例如传送带502(例如进料传送带502a、出料传送带502b或两者的任何组合)的激活/不激活、传送带502的速度、传送系统中材料的方向性流动等。如在本文中指出的,考虑检测系统100用于检查肉类。就这一点而言,检测系统100可用于识别在肉类被材料处理系统500进一步处理之前已进入传送系统的任何外来物体。因此,检测系统100可配置成使得在肉类被处理(例如被绞磨)之前,检测区域104位于传送系统中的一点处。当检测到外来物体已进入检测区域104中时,计算机装置108可向控制模块400发送信号以使得控制模块400:使传送带502停止、将被怀疑具有外来物体的材料转移到拒绝箱、将被怀疑具有外来物体的材料转移到进一步的检测处理等。计算机装置108可自动发送信号。另外地或可替代地,计算机装置108的用户可以在计算机装置108指示已检测到外来物体之后(例如,计算机装置108在显示器110上显示外来物体的图像或图形表示)使得信号被发送。例如,计算机装置108还可通过显示器110生成用户界面,该用户界面使得用户能够发布命令以及对检测系统100和/或材料处理系统500的情况进行控制。
例如,在示例性实施例中,肉类(在穿过检测区域104之后-检测区域104可以是瀑布区域504)将降落在出料传送带502b上,以进行进一步传送和处理。如果识别到“非肉类”情况(或识别到外来物体),则可发生以下一种动作:a)肉类将降落在出料传送带502b上,计算机装置108发送拒绝信号以使得出料传送带502b和/或进料传送带502a停止,其中操作人员将在肉类中进行分拣以找到外来物体。一旦外来物体被移除,则操作人员可通过计算机装置108和/或控制模块400重新启动传送系统,使得肉类能够继续进行下一阶段的处理,或者操作人员可移除肉类(连带着移除被怀疑的外来物体),并将肉类重新插入材料流动路径中,以通过相同或不同的检测技术(例如MD、NIR、XR、人工检测等)进行检测。b)肉类将降落在配备有自动拒绝机构的出料传送带502b上,其中,外来物体检测信号将使得控制模块400致动自动拒绝机构,以将材料(以及被怀疑的外来物体)转移到拒绝箱,从而丢弃或者由操作人员进行附加分拣。如果材料被送去进行附加分拣,一旦外来物体已被移除,则之前被拒绝的材料可重新插入材料流动路径中(例如,插入该路径的位于检测区域104之前的那部分中,以使得能够再次检测材料)或者插入材料流动路径中以通过另一种方法进行检测。c)肉类(被怀疑具有外来物体的那部分)将转移到反向收回的出料传送带502b上,而肉类(未被怀疑具有外来物体)将引导到出料传送带502b上,以进行进一步处理(例如绞磨)。降落在反向收回的出料传送带502b上的肉类将引导到拒绝箱,从而丢弃或者由操作人员进行附加分拣。如果材料被送去进行附加分拣,一旦外来物体已被移除,则之前被拒绝的材料可重新插入材料流动路径中(例如,插入该路径的位于检测区域104之前的那部分中,以使得能够再次检测材料)或者插入材料流动路径中以通过另一种方法进行检测。
在一些实施例中,用户界面以及材料和外来物体的图像或图形表示的显示可帮助从被拒绝的材料中识别和移除外来物体。例如,显示器110可显示引起拒绝发生的被怀疑的外来物体的图像,以使得操作者能够确切地看到他们在材料中寻找的东西,以加快处理并提供对所寻找的外来物体的肯定确认。
在一些实施例中,除非检测系统100检测到负读数,否则出料传送带502b在默认的情况下可配置成拒绝路径以将材料引导到拒绝箱。当检测到负读数时,出料传送带502b可将肉类重新引导到接受箱或接受路径。换言之,材料处理系统500可配置成自动地朝向拒绝箱引导肉类,作为防故障措施,直到确认一批肉类不包含外来物体(例如,没有检测到正读数),此时出料传送带502b将这一批肉类重新引导到接受箱或接受路径。
参照图6,在一些实施例中,材料处理系统500的分离单元600配置成从传送带502分离并移除外来物体。分离单元600可以是与控制模块400可操作地通信的机械开关(例如旗形分拣开关),当激活时,该机械开关使得材料遵循替代路线。例如,出料传送带502b可包括传动带502的多个部段,这些部段中的至少一个部段枢转地附接以使得该至少一个部段能够像旗帜一样摆动。当所有部段对齐时(例如,摆动部段未被致动),材料以连续的方式流动经过部段。当摆动部段被致动时,摆动部段旋转(例如向下)以使得材料能够向下引导并下落到位于分段的出料传送带502b下方的另一出料传送带502b。当检测系统100检测到外来物体时,计算机装置108可基于时间戳、网格坐标以及传送系统的速度来跟踪被怀疑的外来物体的位置。根据用户的判断(例如通过用户界面)或自动地通过计算机装置108,控制模块400可用于控制分离单元600,并使得被怀疑具有外来物体的材料部分从材料流中移除,以使得能够移除外来物体。一旦外来物体被移除,则形式上被拒绝的材料可重新插入材料流动路径中,以通过不同的检测技术(例如MD、NIR、XR、人工检测等)和/或本发明的检测技术进行检测。
实施例可涉及一种用于检测的方法。该方法可包括:将背景部102与检测区域相邻地布置,背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性。
该方法可包括:将材料流的材料引导到检测区域104中,该材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性。
该方法可包括:通过至少从材料的EMR中扣除背景部的EMR来检测材料特性是否与背景部特性不同。
在一些实施例中,该方法可包括:将EMR引导到检测区域104中,使得EMR将与背景部102相互作用,且当材料进入检测区域104中时,EMR将与该材料相互作用。
在一些实施例中,该方法可包括:通过纵向平面将检测区域104分割成第一检测区域侧104a和第二检测区域侧104b。该方法可进一步包括:将第一背景部102a布置在第一检测区域侧104a中,并将第二背景部102b布置在第二检测区域侧104b中。
在一些实施例中,该方法可包括:将EMR引导到检测区域104中,使得EMR将与第一背景部102a、第二背景部102b相互作用,且当材料进入检测区域中时,EMR将与该材料相互作用。
在一些实施例中,该方法可包括:显示材料特性和背景部特性的图像或图形表示。
在一些实施例中,该方法可包括:当材料特性与背景部特性不同时,从材料流中分离并移除材料。
应理解,可对在本文中公开的实施例进行修改以满足一组特定的设计标准。例如,任何其它部件或处理步骤各自可以是任何合适的数量或类型,以满足特定目标。因此,虽然已经讨论和示出系统以及使用和制造该系统的方法的某些示例性实施例,但是应清楚地理解,本发明不限于此,而是可以在所附的权利要求的范围内以其它各种方式体现和实践。
应理解,可以仅结合一个特定的实施例来描述一些部件、特征和/或构造,但是这些相同的部件、特征和/或构造可与许多其它实施例一起应用或使用,且应被认为适用于其它实施例,除非另有说明,或者除非此类部件、特征和/或构造在技术上不可能与其它实施例一起使用。因此,各实施例的部件、特征和/或构造可以以任何方式组合在一起,这种组合通过本声明明确地考虑和公开。
本领域技术人员应理解,本发明可以以其它特定形式实施,而不背离本发明的精神或基本特征。因此,目前公开的实施例在所有方面被认为是说明性的,而不是限制性的。本发明的范围由所附的权利要求表明,而不是由前面的描述表明,且落在权利要求的含义和范围以及等同方式内的所有变化旨在包含在本发明的范围中。此外,值的范围的公开是该范围内的每个数值(包括端点)的公开。
Claims (15)
1.一种检测系统(100),所述检测系统包括:
背景部(102),所述背景部与检测区域(104)相邻地布置;以及
图像采集装置(106),所述图像采集装置配置成从所述背景部和所述检测区域接收背景部电磁辐射(EMR),所述检测区域构造和布置成接收用于输送到所述检测区域中的材料;
其中,所述背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,所述背景部特性以EMR来与待输送到所述检测区域中的材料的材料EMR相匹配,所述材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性;并且
其中,所述图像采集装置配置成当材料输送到所述检测区域中时,通过从所述材料EMR中扣除所述背景部EMR来检测位于材料内的外来物体。
2.根据权利要求1所述的检测系统,所述检测系统与以下至少一项结合:
布置在所述检测区域中的所述材料;或者位于布置在所述检测区域中的所述材料内的所述外来物体。
3.根据前述权利要求中任一项所述的检测系统,其中:
所述材料是肉类。
4.根据前述权利要求中任一项所述的检测系统,所述检测系统包括:
与所述图像采集装置可操作地通信的计算机装置(108),所述计算机装置具有显示器(110),所述显示器用于显示所述材料特性和所述背景部特性的图像或图形表示。
5.根据前述权利要求中任一项所述的检测系统,其中:
所述背景部特性根据材料来选择,所述材料包括第一材料和外来物体材料,其中,所述第一材料具有第一材料特性,所述外来物体材料具有第二材料特性;
所述第一材料特性等于所述背景部特性;以及
所述第二材料特性不等于所述背景部特性。
6.根据前述权利要求中任一项所述的检测系统,所述检测系统包括:
照射源(200),所述照射源配置成生成EMR并将EMR引导到所述检测区域中,使得所述EMR将与所述背景部相互作用,且当所述材料进入所述检测区域中时,所述EMR将与所述材料相互作用。
7.根据前述权利要求中任一项所述的检测系统,所述检测系统包括:
照射源,所述照射源配置成生成EMR并将EMR引导到所述检测区域中,使得所述EMR将与所述背景部相互作用,且当所述材料进入所述检测区域中时,所述EMR将与所述材料相互作用;
其中:
所述照射源配置成生成具有位于可见光谱中的波长的EMR;
所述图像采集装置是光学相机;
所述材料包括第一材料和外来物体材料;
所述第一材料具有第一材料特性,所述外来材料具有第二材料特性;以及
所述第一材料特性使得与第一材料相互作用的EMR位于红色光谱内,所述背景部特性使得与背景部相互作用的EMR位于所述红色光谱内。
8.根据前述权利要求中任一项所述的检测系统,所述检测系统包括:
照射源(200),所述照射源配置成生成EMR;
所述检测区域被纵向平面分割成第一检测区域侧和第二检测区域侧;
所述背景部包括位于所述第一检测区域侧中的第一背景部以及位于所述第二检测区域侧中的第二背景部;
所述材料将在所述第一背景部和所述第二背景部之间进入所述检测区域中;以及
所述照射源配置成将所述EMR引导到所述检测区域中,使得所述EMR将与所述第一背景部、所述第二背景部相互作用,且当所述材料进入所述检测区域中时,所述EMR将与所述材料相互作用。
9.根据前述权利要求中任一项所述的检测系统,其中:
所述图像采集装置(106)包括第一图像采集装置和第二图像采集装置;
所述第一图像采集装置配置成检测所述材料特性是否与所述第一背景部的背景部特性不同;以及
所述第二图像采集装置配置成检测所述材料特性是否与所述第二背景部的背景部特性不同。
10.一种材料处理系统(500),所述材料处理系统包括:
传送系统,所述传送系统具有构造成承载材料的传送带(502),所述传送带包括出料传送带(502b),所述出料传送带布置成使得所述材料将穿过检测区域(104)下落并降落在所述出料传送带上;以及
根据前述权利要求中任一项所述的检测系统(100),所述检测系统具有:背景部(102),所述背景部与所述检测区域相邻地布置;以及图像采集装置(106),所述图像采集装置配置成从所述背景部和所述检测区域接收电磁辐射(EMR),所述检测区域构造和布置成接收用于输送到所述检测区域中的材料;
其中:
所述背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性,所述背景部特性以EMR来与待输送到所述检测区域中的材料的材料EMR相匹配,所述材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性;
所述图像采集装置配置成当材料输送到所述检测区域中时,通过从所述材料EMR中扣除所述背景部EMR来检测位于材料内的外来物体。
11.根据权利要求10所述的材料处理,所述材料处理包括:
与所述图像采集装置可操作地通信的计算机装置(108),所述计算机装置具有显示器,所述显示器用于显示所述材料特性和所述背景部特性的图像或图形表示;
其中,所述计算机装置包括控制模块以控制所述传送带的运行。
12.根据权利要求10或11所述的材料处理,所述材料处理包括:
分离单元(600),所述分离单元配置成从所述传送带分离并移除所述外来物体。
13.一种使用检测系统(100)进行检测的方法,所述检测系统是根据前述权利要求中任一项所述的检测系统,所述方法包括:
将背景部(102)与检测区域相邻地布置,所述背景部具有由背景部发射率、背景部吸收率以及背景部反射率限定的背景部特性;
将材料流的材料引导到所述检测区域中,所述材料具有由材料发射率、材料吸收率以及材料反射率限定的材料特性;以及
通过至少从所述材料的EMR中扣除所述背景部的电磁辐射(EMR)来检测所述材料特性是否与所述背景部特性不同。
14.根据权利要求13所述的方法,所述方法包括:
将EMR引导到所述检测区域中,使得所述EMR将与所述背景部相互作用,且当所述材料进入所述检测区域中时,所述EMR将与所述材料相互作用;
通过纵向平面将所述检测区域分割成第一检测区域侧和第二检测区域侧;以及
将第一背景部布置在所述第一检测区域侧中,并将第二背景部布置在所述第二检测区域侧中。
15.根据权利要求13或14所述的方法,所述方法包括以下至少一项或多项:
将EMR引导到所述检测区域中,使得所述EMR将与所述第一背景部、所述第二背景部相互作用,且当所述材料进入所述检测区域中时,所述EMR将与所述材料相互作用;
显示所述材料特性和所述背景部特性的图像或图形表示;或者
当所述材料特性与所述背景部特性不同时,从所述材料流中分离并移除材料。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/507,505 US11275069B2 (en) | 2019-07-10 | 2019-07-10 | Detection of non-XR/MD detectable foreign objects in meat |
US16/507,505 | 2019-07-10 | ||
PCT/US2020/041566 WO2021007500A1 (en) | 2019-07-10 | 2020-07-10 | Detection on non-xr/md detectable foreign objects in meat |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114258501A true CN114258501A (zh) | 2022-03-29 |
Family
ID=71895240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080056609.4A Pending CN114258501A (zh) | 2019-07-10 | 2020-07-10 | 对肉类中xr/md不可检测的外来物体的检测 |
Country Status (9)
Country | Link |
---|---|
US (1) | US11275069B2 (zh) |
EP (1) | EP3997446A1 (zh) |
JP (1) | JP2022540482A (zh) |
CN (1) | CN114258501A (zh) |
AU (1) | AU2020309583A1 (zh) |
BR (1) | BR112022000343B1 (zh) |
CA (1) | CA3146637A1 (zh) |
MX (1) | MX2022000416A (zh) |
WO (1) | WO2021007500A1 (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2151018B (en) | 1983-12-06 | 1987-07-22 | Gunsons Sortex Ltd | Sorting machine and method |
US20030034282A1 (en) * | 2001-08-16 | 2003-02-20 | Fmc Technologies, Inc. | Method and system for generating background color for optical sorting apparatus |
DE202006010023U1 (de) | 2006-06-27 | 2006-12-14 | Delipetkos, Elias, Dipl.-Inform. (FH) | Vorrichtung zur Analyse von Objekten im freien Fall mittels Röntgenstrahlen und einer Zeitverzögerungs- und Integrationskamera |
BR112015016015A2 (pt) * | 2013-01-08 | 2017-07-11 | Pioneer Hi Bred Int | método para separar sementes, método para reduzir sementes contaminantes, grupo de sementes |
MX366016B (es) * | 2013-11-01 | 2019-06-24 | Tomra Sorting Nv | Método y aparato para detectar materia. |
US9310512B1 (en) * | 2014-08-07 | 2016-04-12 | Polestar Technologies, Inc. | Methods and systems for detection and identification of concealed materials |
WO2017048783A1 (en) | 2015-09-14 | 2017-03-23 | Cargill, Incorporated | Foreign object detection in beef using color analysis |
EP3242124A1 (en) | 2016-05-03 | 2017-11-08 | TOMRA Sorting NV | Detection of foreign matter in animal products |
US10902581B2 (en) * | 2017-06-19 | 2021-01-26 | Apeel Technology, Inc. | System and method for hyperspectral image processing to identify foreign object |
US10293379B2 (en) * | 2017-06-26 | 2019-05-21 | Key Technology, Inc. | Object detection method |
-
2019
- 2019-07-10 US US16/507,505 patent/US11275069B2/en active Active
-
2020
- 2020-07-10 CN CN202080056609.4A patent/CN114258501A/zh active Pending
- 2020-07-10 MX MX2022000416A patent/MX2022000416A/es unknown
- 2020-07-10 JP JP2022502043A patent/JP2022540482A/ja active Pending
- 2020-07-10 CA CA3146637A patent/CA3146637A1/en active Pending
- 2020-07-10 AU AU2020309583A patent/AU2020309583A1/en active Pending
- 2020-07-10 BR BR112022000343-9A patent/BR112022000343B1/pt active IP Right Grant
- 2020-07-10 EP EP20750069.5A patent/EP3997446A1/en active Pending
- 2020-07-10 WO PCT/US2020/041566 patent/WO2021007500A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2021007500A1 (en) | 2021-01-14 |
CA3146637A1 (en) | 2021-01-14 |
US20210010987A1 (en) | 2021-01-14 |
AU2020309583A1 (en) | 2022-03-03 |
EP3997446A1 (en) | 2022-05-18 |
US11275069B2 (en) | 2022-03-15 |
JP2022540482A (ja) | 2022-09-15 |
MX2022000416A (es) | 2022-04-11 |
BR112022000343A2 (pt) | 2022-04-12 |
BR112022000343B1 (pt) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3676027B1 (en) | Classification method and apparatus | |
AU699165B2 (en) | Method and apparatus for detecting surface features of translucent objects | |
US11340168B2 (en) | Menthol detection on tobacco | |
WO2021089602A1 (en) | Neural network for bulk sorting | |
US4600105A (en) | Method and apparatus for sorting objects of ore by monitoring reflected radiation | |
Verheyen et al. | Vision-based sorting of medium density fibreboard and grade A wood waste | |
CN114258501A (zh) | 对肉类中xr/md不可检测的外来物体的检测 | |
US20210049396A1 (en) | Optical quality control | |
KR20130019818A (ko) | 가시광 대역 플라스틱 판별 장치 및 이를 이용한 플라스틱 분류 시스템 | |
CN116973369A (zh) | 片剂检查方法以及片剂检查装置 | |
US20230206606A1 (en) | Method and system for training a neural network-implemented sensor system to classify objects in a bulk flow | |
JP2018017675A (ja) | 光検査システム | |
JP7497760B2 (ja) | 被選別物の識別方法、選別方法、選別装置、および識別装置 | |
JP2018017674A (ja) | 光検査装置 | |
Pearson | Low-cost bi-chromatic image sorting device for grains | |
Garbat et al. | Deep Learning for Pit Detection in Cherries | |
JP2024518687A (ja) | 自動車スクラップからのエアバッグモジュールの除去 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |