CN115769067A - 开心果分选装置 - Google Patents
开心果分选装置 Download PDFInfo
- Publication number
- CN115769067A CN115769067A CN202180039482.XA CN202180039482A CN115769067A CN 115769067 A CN115769067 A CN 115769067A CN 202180039482 A CN202180039482 A CN 202180039482A CN 115769067 A CN115769067 A CN 115769067A
- Authority
- CN
- China
- Prior art keywords
- sorted
- fluorescence
- image data
- dimensional image
- range
- 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.)
- Granted
Links
- 240000006711 Pistacia vera Species 0.000 title claims abstract description 93
- 235000003447 Pistacia vera Nutrition 0.000 title claims abstract description 88
- 230000002950 deficient Effects 0.000 claims abstract description 94
- 238000007689 inspection Methods 0.000 claims abstract description 67
- 238000005286 illumination Methods 0.000 claims abstract description 58
- 230000003287 optical effect Effects 0.000 claims abstract description 46
- 235000014571 nuts Nutrition 0.000 claims abstract description 41
- 235000020233 pistachio Nutrition 0.000 claims abstract description 35
- 239000000126 substance Substances 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 140
- 238000000034 method Methods 0.000 description 110
- 230000005284 excitation Effects 0.000 description 45
- 230000008569 process Effects 0.000 description 44
- 230000005540 biological transmission Effects 0.000 description 30
- 238000003708 edge detection Methods 0.000 description 18
- 235000013399 edible fruits Nutrition 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 16
- 241000238631 Hexapoda Species 0.000 description 15
- 238000002834 transmittance Methods 0.000 description 15
- 238000002189 fluorescence spectrum Methods 0.000 description 10
- 150000002989 phenols Chemical class 0.000 description 10
- 230000007423 decrease Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 235000019804 chlorophyll Nutrition 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 229930002875 chlorophyll Natural products 0.000 description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 210000002421 cell wall Anatomy 0.000 description 4
- 238000002073 fluorescence micrograph Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 206010061217 Infestation Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 229930195730 Aflatoxin Natural products 0.000 description 2
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 description 2
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 2
- 239000005409 aflatoxin Substances 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000017807 phytochemicals Nutrition 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 229930000223 plant secondary metabolite Natural products 0.000 description 2
- 229930000044 secondary metabolite Natural products 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 235000005976 Citrus sinensis Nutrition 0.000 description 1
- 240000002319 Citrus sinensis Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000511976 Hoya Species 0.000 description 1
- 231100000678 Mycotoxin Toxicity 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 229930003935 flavonoid Natural products 0.000 description 1
- 150000002215 flavonoids Chemical class 0.000 description 1
- 235000017173 flavonoids Nutrition 0.000 description 1
- 235000013373 food additive Nutrition 0.000 description 1
- 239000002778 food additive Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002636 mycotoxin Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- -1 phenol compound Chemical class 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
-
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- G01N2021/845—Objects on a conveyor
-
- 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
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/062—LED's
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/064—Stray light conditioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medicinal Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Textile Engineering (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
提供一种开心果分选装置,其可以高精度地检验附着在带壳开心果壳上的荧光物质所发出的BGY荧光而进行是否良好的判定,高速分选不合格品。开心果分选装置具备:照明装置(11),其对于检查区域内作为被分选物的带壳开心果,照射最大峰值波长处于345nm~390nm的范围内的紫外线;光学滤光器(12),其选择性地使500nm~600nm的波长范围的光透过;传感器(13),其检测从被分选物发出并透过光学滤光器(12)的荧光的二维强度分布,生成表示检查区域内的荧光的二维强度分布的二维图像数据;判定装置(14),其基于二维图像数据,单个地判定被分选物是否良好。
Description
技术领域
本发明涉及开心果分选装置,是基于对带壳开心果拍摄的图像,判定开心果的果仁有无虫害、霉菌、物理性的损伤、腐败、以及开心果的壳有无污垢等并进行分选的装置。
背景技术
可食用坚果开心果,在生长等过程中会发生各种品质下降。例如,在生长过程中,脐橙虫(学名:Amyelois transitella)被来自坚果的香味成分等吸引,在成熟的开心果的果实中产卵。若果实受到损害,则果实之中的酚类增加,从而导致开心果的壳上附着褐变等的色素。另外,从卵中孵化的幼虫,食用开心果的果仁并生长。因为被虫蛀的果仁的细胞壁遭到破坏,所以细菌容易从外部侵入细胞膜,也会发生腐败和霉变。
开心果不仅会受到外部损害,果仁在未成熟的状态下裂开(early split),果实内部裂开也会对果实造成损害。由于此损害,果实之中的酚类增加,在开心果的壳上沉积褐变等的色素,或者,由于此损害,果实腐败,发生霉变。
在生长过程中遭受虫害或霉变等的坚果,保管中蔓延至正常的坚果,或霉菌繁殖。若发生了变质的开心果混入到制品中,则不仅令消费者不满,而且制造者也将丧失来自于消费者的信任。因此,生长过程中有虫害和毛病的开心果要在原料阶段就通过颜色分拣和视觉分拣加以除去。
据报告,由于生长过程中的损害而形成的酚类,经过紫外线照射显示由绿到黄的荧光(bright greenish yellow fluorescence,以下称为“BGY荧光”。)。另外,在下述的非专利文献1中报告有,该BGY荧光与霉菌毒素的黄曲霉毒素的含量密切相关,特别是若在生长初期发生壳的裂开,则检测出黄曲霉毒素的概率高。
一般来说,植物若受到昆虫的啃食或物理性的损伤,为了阻止菌从外部侵入,则合成酚类或类黄酮等的抗菌物质(植物化学成分)作为次级代谢产物。如果该物理性的损伤大,则抗菌物质无法阻止细菌的侵入,腐败进行,霉菌繁殖。BGY荧光物质,是开心果在生长过程中形成的作为植物化学成分的次级代谢产物的酚类附着在壳上,若BGY荧光物质大量附着于壳,则外观的颜色改变,商品价值受损,因此希望在原料分选阶段除去。
先行技术文献
非专利文献
非专利文献1:
Ebrahim Hadavi,“Several physical properties of aflatoxin-contaminated pistachio nuts:Application of BGY fluorescence for separation ofaflatoxin-contaminated nuts”,Food Additives and Contaminants,November 2005;22(11):1144-53
非专利文献2:
A.Farsaie,W.F.McClure,and R.J.Monroe,“Design and development of andelectro-optical sorter for removing BGY fluorescent pistachio nuts”,Transactions of the ASAE,24,1372-1375(1981)
发明内容
发明所要解决的问题
在可食用坚果之中,开心果多以带壳的状态被提供给消费者,因此,需要在保留壳的状态下高精度地分选。然而,开心果的壳为淡黄色,壳的一部分裂开,因此从裂开的部分能够确认浅绿色的果仁和浅棕色的种皮。用颜色分拣机对于这样的带壳开心果进行颜色判定时,难以判定与应该除去的褐变等造成的壳污垢的颜色差别。特别是,从外观上只能看到壳裂开部分的果肉,因此找到内部果仁的虫害是极其困难的。
通过打碎开心果的壳,能够确认有无果实发生虫害的痕迹。但是,因为开心果对湿度敏感,所以没有壳时,风味和味道容易改变。由此可知,通常带壳开心果被广泛接受,除去壳是困难的。
作为开心果的分选技术之一,上述非专利文献2中报告有利用BGY荧光的机械分选技术,但为了高精度地检验BGY荧光,需要以1粒为单位进行分选,因此,目前分选速度能够经受商用考验的技术尚未完全确立。
本发明鉴于上述的问题点提出,其目的在于,提供一种可以高速进行分选的开心果分选装置,其通过对于附着在开心果壳上的BGY荧光物质进行紫外线激发,并检验该BGY荧光,从而判定有无果仁发生的虫害、霉菌、物理性损伤、腐败和壳上附着的污垢等。
解决问题的手段
本发明为了达成上述目的,提供一种开心果分选装置,其第一特征在于,是对于作为一个或多个被分选物的带壳开心果的壳上所附着的荧光物质进行检测,分别判定所述被分选物是否良好并进行分选的开心果分选装置,其具备:
照明装置,其对于检查区域内的所述被分选物,照射最大峰值波长处于345nm~390nm的范围内的紫外线;
光学滤光器,其选择性地使500nm~600nm波长范围的光透过;
传感器,其检验从所述被分选物发出并透过了所述光学滤光器的荧光的二维强度分布,生成表示所述检查区域内的所述荧光的二维强度分布的二维图像数据;
判定装置,其基于所述二维图像数据,分别判定所述被分选物是否良好。
根据上述第一特征的开心果分选装置,作为从被分选物发生的荧光的激发光,通过照射最大峰值波长处于345nm~390nm的范围内的紫外线,无论被分选物在正常的情况还是异常的情况下,荧光强度都比由更长波长的激发光得到的荧光的最大强度低,但是,若在500nm~600nm的波长范围观看各自的荧光,则如后述,正常情况与异常情况的荧光强度比变高。因此,能够基于表示从被分选物发出的荧光在检查区域内的二维强度分布的二维图像数据,高精度地实施被分选物是否良好的判定。
此外,无论被分选物在正常还是异常的情况下,根据二维图像数据上的荧光的二维强度分布,都能够特定检查区域内的被分选物的存在位置,因此,能够高精度地判别检查区域内的各存在位置下的被分选物是正常还是异常。
此外,上述第一特征的开心果分选装置,优选具有在内部构成所述检查区域,并且阻挡来自外部的环境光进入到所述检查区域内的遮光部。
根据该优选方式,如果在设置开心果分选装置的空间内,照明装置照射的作为激发光的紫外线和从被分选物发生的荧光以外的环境光存在时,通过设置遮光部,传感器不会检测到环境光,能够防止环境光造成被分选物是否良好的判定的精度降低。
此外,上述第一特征的开心果分选装置,优选所述照明装置,对于所述检查区域内的所述被分选物,照射最大峰值波长处于350nm~375nm的范围内的紫外线。
根据该优选方式,被分选物正常的情况与异常的情况在500nm~600nm的波长范围内的荧光强度比更高,能够更高精度地判别二维图像数据上各存在位置的被分选物是正常还是异常。
此外,本发明提供一种开心果分选装置,除上述第一特征以外,其第二特征在于,所述判定装置构成为,基于所述二维图像数据,基于所述被分选物的壳整体的面积、与所述被分选物的所述壳整体的存在范围内由所述二维图像数据的各像素值所示的荧光强度在规定的阈值以上的所述荧光物质的附着面积的面积比,分别判定所述被分选物是否良好。
还有,所谓所述被分选物的壳整体的面积,是二维图像数据的二维图像上显示的1粒被分选物的壳整体的外缘所包围的范围的面积,是被分选物的壳整体的二维图像上显示的正面的面积,不包括二维图像上没有显示的背面的面积。另外,壳的一部分裂开时,该壳整体的面积也包括该裂开部位。此外,所谓壳整体的存在范围,是二维图像上显示的壳整体的外缘所包围的范围。
根据上述第二特征的开心果分选装置,能够将BGY荧光物质附着面积大的被分选物判别为不合格品,将BGY荧光物质附着面积微小的视为合格品或准合格品。
此外,本发明提供一种开心果分选装置,除上述第一特征以外,其第三特征在于,所述判定装置构成为,基于所述二维图像数据,基于所述检查区域内的所述被分选物的壳整体的存在范围内的、由所述被分选物的所述二维图像数据的各像素值所示的荧光强度的最大值,分别判定所述被分选物是否良好。
根据上述第三特征的开心果分选装置,能够将BGY荧光物质的荧光强度大的被分选物判别为不合格品,如果BGY荧光物质的荧光强度的最大值不如被分选物正常时的荧光强度大时,能够视为合格品或准合格品。
此外,本发明提供一种开心果分选装置,除上述第一特征以外,其第四特征在于,所述判定装置构成为,基于所述二维图像数据,基于所述被分选物的壳整体的面积、与所述被分选物的所述壳整体的存在范围内由所述二维图像数据的各像素值所示的荧光强度在规定的阈值以上的所述荧光物质的附着面积的面积比、和所述检查区域内物所述被分选物的所述壳整体的存在范围内的由所述被分选物的所述二维图像数据的各像素值所示的荧光强度的最大值,分别判定所述被分选物是否良好。
根据上述第四特征的开心果分选装置,能够将BGY荧光物质的附着面积和荧光强度大的被分选物判别为不合格品,将BGY荧光物质附着面积微小的、或者BGY荧光物质的荧光强度的最大值不如被分选物正常时的荧光强度大的,视为合格品或准合格品。
此外,本发明提供一种开心果分选装置,除上述第二或第四特征以外,其第五特征在于,所述判定装置构成为,基于所述二维图像数据,实施与预先注册的几何学形状的模式匹配,以所述几何学形状近似所述被分选物的外缘,按所述被分选物单个计算所述被分选物的所述壳整体的面积。
根据上述第五特征的开心果分选装置,即使在检查区域内存在多个彼此接触的被分选物时,也能够识别各个被分选物的外缘,能够近似地计算各个被分选物的壳整体的面积。
此外,本发明提供一种开心果分选装置,除上述第三或第四特征以外,其第六特征在于,所述判定装置构成为,基于所述二维图像数据,实施与预先注册的几何学形状的模式匹配,以所述几何学形状近似所述被分选物的外缘,按所述被分选物单个计算所述检查区域内的所述被分选物的所述壳整体的存在范围。
根据上述第六特征的开心果分选装置,即使在检查区域内存在多个彼此彼此接触的被分选物,也能够识别各个被分选物的外缘,近似地计算各个被分选物在检查区域内的存在范围。
此外,上述第五或第六特征的开心果分选装置,在所述检查区域内存在多个所述被分选物时,优选所述判定装置,基于所述二维图像数据特定将能够被判别为不合格品的所述被分选物不可能存在的范围从所述检查区域排除的处理范围,并在所述处理范围内实施所述模式匹配。
根据该优选方式,在检查区域内存在多个被分选物,而其次品率低的等等情况下,能够大幅降低判定装置的模式匹配所需的处理时间,开心果分选装置的处理能力得到提高。
此外,上述第一至第四中任一特征的开心果分选装置,优选所述判定装置构成为,作为表示被判别为不合格品的所述被分选物在所述检查区域内的位置的二维坐标的不合格品坐标,计算近似于该被分选物外缘的几何学形状中心的二维坐标。
根据该优选方式,即使在检查区域内存在多个彼此接触的被分选物时,也能够近似地计算出表示被判别为不合格品的被分选物在检查区域内各自位置的不合格品坐标。
此外,上述第一至第四任意一个特征的开心果分选装置,优选所述判定装置构成为,计算表示被判别为不合格品的所述被分选物在所述检查区域内的位置的二维坐标,作为不合格品坐标,并具备除去装置,其基于所述判定装置计算的所述不合格品坐标,除去被判别为所述不合格品的所述被分选物。
根据该优选方式,能够从存在于检查区域内的一个或多个被分选物,即带壳开心果之中,除去被判别为不合格品的被分选物,只针对其以外作为合格品的被分选物进行自动分选收集。
发明效果
根据上述特征的开心果分选装置,能够基于表示检查区域内的被分选物所发出的荧光的二维强度分布的二维图像数据,高精度且高速地判别检查区域内的各存在位置的被分选物是正常还是异常。
附图说明
图1是表示第一实施方式的开心果分选装置的一构成例的框图。
图2是示意性地表示图1所示的构成例中的、被分选物、照明装置、光学滤光器、和传感器间的位置关系的说明图。
图3是遭受了虫害的带壳开心果的壳外部与壳内部的可见光图像(白色照明)和壳外部的荧光图像(365nm紫外线照明)。
图4是早期裂开的带壳开心果的可见光图像和荧光图像。
图5(a)是表示正常的被分选物的荧光特性的以荧光分光光度计测量的结果(荧光指纹)的图,(b)是有异常的被分选物的荧光特性的以荧光分光光度计测量的结果(荧光指纹)的图。
图6是叠加显示图5(a)和图5(b)所示的等高线在3种激发光的波长下的截面形状(荧光光谱)的光谱图。
图7是表示激发光的波长不同的3种BGY荧光与正常壳荧光的荧光强度比(BGY荧光/正常壳荧光)的荧光波长依赖性的图。
图8是表示荧光波长不同的3种BGY荧光与正常壳荧光的荧光强度比的激发光波长依赖性的图。
图9是表示照射波长365nm的激发光时的正常的被分选物10的正常壳荧光、遭受虫害的异常被分选物10的BGY荧光、和从果仁发出的荧光的各荧光光谱的光谱图。
图10是表示判定装置的第一判定处理规程的流程图。
图11是表示在图10所示的判定处理的步骤#10中判定装置14获取的二维图像数据DA的二维图像的一例的图。
图12是表示对于图11所示的二维图像数据DA,经图10所示的判定处理的步骤#13的模式匹配处理,按被分选物单个进行分配的匹配图形(椭圆形)与其中心(以×标记图示)的图。
图13是表示判定装置的第二判定处理规程的流程图。
图14是表示判定装置的第三判定处理规程的流程图。
图15是表示判定装置的第四判定处理规程的流程图。
图16是表示第五实施方式的开心果分选装置的一构成例的框图。
图17是示意性地表示第六实施方式的开心果分选装置的照明装置的一构成例的图。
图18是表示第七实施方式的开心果分选装置的一构成例的说明图。
图19是表示第七实施方式的开心果分选装置的系统构成例的说明图。
具体实施方式
本发明的实施方式的开心果分选装置(以下适宜简称为“本分选装置”),基于对带壳开心果拍摄的图像,判定开心果的果仁有无虫害、霉菌、物理性的损伤、腐败、以及开心果的壳有无污垢等并进行分选的装置。以下,对于本分选装置,基于附图详细说明。还有,在以下说明中使用的表示本分选装置构造特征的附图,为了使说明容易理解,而强调关键部分而示意性地表示发明内容,因此各部分的形状和尺寸比未必是与实际装置相同的形状和尺寸比。另外,使用了彩色照片的附图(图3、图4、图11和图12)在申请使用中进行了白黑2值化,所以色彩信息丢失。
<第一实施方式>
如图1所示,本分选装置1,具备如下而构成:照明装置11,其对于配置在检查区域IA内的一个或多个被分选物10即带壳开心果照射紫外线;光学滤光器12,其使受到从照明装置11照射的紫外线激发而从被分选物10发出的荧光的规定波长范围的光选择性地透过;传感器13,其检验透过了光学滤光器12的荧光的二维强度分布,生成表示检查区域IA内的荧光的二维强度分布的二维图像数据DA;和判定装置14,其基于二维图像数据DA分别判定被分选物10是否良好。
在本实施方式中,被分选物10,如图2所示,被载置于将被分选物10从检查区域IA外通过检查区域IA内输送到检查区域IA外的传送带CB上。传送带CB的带面,由即使接收到从照明装置11照射的紫外线也不会发出荧光的材料形成。作为一个实施方式,传送带CB的宽度为600mm,传送带CB的移动速度为100~150mm/秒。
照明装置11,在本实施方式中,由紫外线LED(Light Emitting Diode)构成。作为一个实施方式,设置为,4台照明装置11相对于传送带CB的带面以45°的仰角,从4个方向对带面上的检查区域IA内进行照射。还有,该4个方向在与带面平行的平面内的朝向,作为一例,优选各2个方向相对。
各照明装置11,作为一例构成为,具备12灯的大功率紫外线LED,以合计48灯的大功率紫外线LED,从4个方向照射检查区域IA内的被分选物10。图2中,示意性地显示出4台照明装置11之中的2台。另外,作为优选的一个实施方式,在LED上安装有扩散透镜,以使检查区域IA内的紫外线照度均匀。从照明装置11照射的紫外线的最大峰值波长优选为345nm~390nm,更优选处于350nm~375nm的范围内。最大峰值波长为365nm时,50cm×40cm的照射范围内的紫外线照度优选为0.5~4mW/cm2,更优选为1~2mW/cm2。另外,如果检查区域IA内的紫外线照度的偏差在±15%以内,则能够没有问题地实施后述的是否良好的判定。
此外,作为优选的一个实施方式,4台照明装置11,能够构成为,在各照射范围内分割为多个分别进行照度调整,由此,能够根据4台照明装置11的照射范围重叠状况,将4台照明装置11的各照射范围内的照度分割进行调整,容易将检查区域IA内的紫外线照度的偏差控制在±15%以内。还有,紫外线照度的偏差在±15%以内,是一个指标,只要后述的是否良好的判定可以顺利实施,则紫外线照度的偏差大于±15%以内也没有问题。
此外,在本实施方式中,各照明装置11上,安装有HOYA制的U360紫外透射滤光器,阻挡从紫外LED出射的紫外线的400nm以上的波长成分。
光学滤光器12作为选择性地使500nm~600nm波长范围的光透过的带通·滤光器而构成。作为带通·滤光器的光学滤光器12,作为一个实施方式,组合阻挡低于500nm的波长的短通截止·滤光器(或透射500nm以上的波长的长通·滤光器)、和阻挡高于600nm的波长的长通截止·滤光器(或透射600nm以下的波长的短通·滤光器)而构成。
作为带通·滤光器的光学滤光器12,在低于500nm的波长范围内和高于600nm的波长范围内,分别存在光学密度(OD值)为2以上(以透射率换算为1%以下)的透射阻止带,在高于500nm的波长范围内和低于600nm的波长范围内,存在透射率为80%以上,优选为85%以上,更优选为90%以上的透射带。
换言之,短波长侧的透射阻止带BB1的长波长端λ1,规定为λ1<500nm,长波长侧的透射阻止带BB2的短波长端λ4,规定为λ4>600nm。另外,透射带BT的短波长端λ2,规定为λ2>500nm,透射带BT的长波长端λ3,规定为λ3<600nm。
从短波长侧的透射阻止带BB1向透射带BT过渡(波长从λ1通过500nm而向λ2增加)时,透射率从1%以下,经过10%、50%、80%而过渡到透射带BT的透射率。在此,透射率从最大透射率的15%增加到85%的带宽为1~10nm,优选为1~5nm。更优选在该带宽内存在500nm。
从透射带BT向长波长侧的透射阻止带BB2过渡(波长从λ3通过600nm而向λ4增加)时,透射率从透射带BT的透射率,经过80%、50%、10%而过渡到1%以下。在此,透射率从最大透射率的85%增加到15%的带宽为1~10nm,优选为1~5nm。更优选在该带宽内存在600nm。
上述各波长λ1、λ2、λ3、λ4,根据构成带通·滤光器的长通·滤光器与短通·滤光器的各光谱特性的偏差(例如,通过/截止波长的公差等)等而变化,但作为一例,则存在于以下所示的范围内。
480nm≤λ1<500nm,优选为490nm≤λ1<500nm
500nm<λ2≤520nm,优选为500nm<λ2≤510nm
580nm≤λ3<600nm,优选为590nm≤λ3<600nm
600nm<λ4≤620nm,优选为600nm<λ4≤610nm
根据以上,光学滤光器12的带通区域的半峰全宽(FWHM:作为最大透射率50%(半峰)的值的长波长侧与短波长侧间的带宽),有时也不一定为100nm(500nm~600nm),但存在于其附近(在各波长端±7nm程度以内,优选为±5nm程度以内)。
接着,作为构成上述光学滤光器12的长通·滤光器和短通·滤光器,将本实施方式的实施例中使用的市场销售的滤光器的光谱特性等作为参考显示在下述表1中。均满足上述条件。还有,长通·滤光器和短通·滤光器的光谱特性等,不限定于表1所述。
【表1】
项目 | 长通·滤光器 | 短通·滤光器 |
类型 | 二向色 | 二向色 |
透射阻止带(nm) | 200~490 | 614~900 |
透射带(nm) | 508~1650 | 350~587 |
光学密度(OD) | ≧4 | ≧4 |
透射率(%) | ≧91 | ≧91 |
通过/截止陡度(%) | <1 | <1 |
通过/截止波长公差(%) | ±1 | ±1 |
传感器13,在本实施方式中,由区域照相机构成。作为传感器13的区域照相机的一个实施方式,可适当使用5M像素的单色CCD相机(水平方向2488像素×垂直方向2055像素)。此外,光学滤光器12,安装在传感器13接收光用的开口部的前方,由此,传感器13能够选择性地接收从被分选物10发出的荧光中500nm~600nm的波长范围的光。
上述一个实施方式的由5M像素单色CCD相机构成的传感器13生成的二维图像数据DA,是5M像素(2488像素×2055像素)的各像素具有8位灰度等级(0~255级)的光接收强度的灰度的图像数据。二维图像数据DA的帧的水平方向与传送带CB的宽度方向平行,垂直方向与传送带CB的进行方向平行。
在本实施方式中,作为一例,传感器13的感光度和透镜的孔径等,根据检查区域IA内的紫外线照度和光学滤光器12的透射率特性,进行如下调整:使表示从不合格的被分选物10发出的BGY荧光的荧光强度的二维图像数据DA的各像素值(灰度值)为125以上,使从正常的被分选物10的壳发出的来自细胞壁的荧光的荧光强度的二维图像数据DA的各像素值(灰度值)为40以上,使检查区域IA的作为二维图像背景的传送带CB的带面的各像素值(灰度值),大致为20左右。不使传送带CB的带面的灰度值为0,是由于从带面上的被分选物10发出的荧光的反射、或者进入后述的暗箱15内的微弱的环境光的反射。还有,传感器13所使用的区域照相机不是8位灰度,而是例如10位灰度时,上述各灰度值,根据所使用的区域照相机的灵敏度特性而各自增加约4倍。
在本实施方式中,照明装置11、光学滤光器12和传感器13设置在暗箱15内,阻挡环境光进入到检查区域IA内。在此,所谓环境光是指从照明装置11照射的紫外线、和被该紫外线激发出的荧光以外的来自本分选装置1的外部的光。
但是,在传送带CB的上游侧和下游侧设有开口,以使传送带CB上所载置的被分选物10,可以根据传送带CB的移动而从暗箱15外进入到暗箱15内,退出到暗箱15外。还有,虽然优选从该开口进入到检查区域IA内的环境光被完全阻断,但是,如果微弱的环境光进入带来的环境光本身和被环境光激发而发出的荧光的合计噪声级,例如在8位灰度下灰度值为10以下的大小,换言之,如果是从正常的被分选物10的壳发出的来自细胞壁的荧光的荧光强度(灰度值为40左右)能够被充分识别的程度,则可以允许该噪声级程度的微弱环境光进入。
换句话说,如果本分选装置1设置的室内的环境光,不包括或几乎不包括500nm~600nm的波长成分、或者600nm以下的波长成分的光,使上述噪声级例如达到10以下大小的灰度值而对该室内照明时,则照明装置11、光学滤光器12和传感器13,不需要一定设置在暗箱15内。
接着,对于本实施方式中作为检查对象的被分选物10的异常简单说明。图3是遭受了虫害的带壳开心果的壳外部与壳内部的可见光图像(白色照明)和壳外部的荧光图像(365nm紫外线照明)。壳内部的果仁被橙虫幼虫啃食,在壳内侧附着从果仁发生的BGY荧光物质,直至到达壳的外侧。该BGY荧光物质可以很容易地从荧光图像中的壳外部检验到(参照箭头处)。
图4表示早期裂开的带壳开心果的可见光图像和荧光图像。在果实的成熟初期阶段,由于内壳破裂且果实发生裂纹,导致来自果实的酚类化合物附着于壳,或果实被虫啃食而受到损害,从果实产生酚类化合物并附着于壳,或昆虫在果实中产卵,果实和果仁发生损害,从果实产生酚类化合物而附着于壳,或内部的果仁被橙虫幼虫吃掉,从果仁产生酚类化合物,从壳内侧扩散至壳外侧。若对此酚类化合物照射紫外线,则发出可见的BGY荧光。该酚类化合物能够容易地从荧光图像中的壳外部检验到(参照箭头处)。
接着来,对于从照明装置11照射的紫外线的最大峰值波长优选设定在345nm~390nm,更优选设定在350nm~375nm的范围内,并阻挡该紫外线的400nm以上的波长成分,将传感器13接收的波长范围(光学滤光器12的透射波长范围)设定在500nm~600nm的根据进行说明。
为了选定最适合带壳开心果分选的荧光,对于正常的被分选物10、与壳有污垢和果仁发生了虫害、霉菌、物理性的损伤、腐败等有异常的被分选物10,使用荧光分光光度计(日立制F-7000)调查各自的荧光特性。图5中显示上述荧光分光光度计的测量结果。图5(a)表示正常的被分选物10的测量结果,图5(b)表示异常的被分选物10的测量结果。
在图5中,以激发波长为纵轴,以荧光波长为横轴,由等高线表示荧光强度。还有,图5中,因为对于最初彩色显示的等高线进行了黑白二值化而用于申请,所以荧光强度信息的一部分丢失,但在图5中,围绕同一点闭合的等高线变窄的地方是顶峰部分(上述相同点),荧光强度最大。由于图5看起来恰如人类手指的指纹状,所以被称为荧光指纹。
由于荧光在比激发波长更长的波长侧被观测到(斯托克斯定律:Stokes'law),所以在对角线的右下部分出现荧光指纹。另外,如果荧光物质是同一成分,则即使改变激发波长,荧光波长也不变,因此,荧光强度被绘制成围绕相同点闭合的等高线状。来自正常的被分选物10壳的荧光(正常壳荧光),以大约410nm的光激发时,在荧光波长约480nm下荧光强度最大而显示蓝色的荧光。另一方面,异常被分选物10的荧光,以大约440nm的光激发时,在荧光波长约540nm下荧光强度最大,显示BGY荧光。BGY荧光的光谱,在450nm~600nm的蓝~绿~黄色的范围内显示宽阔的光谱。
图6(a)~(c)中,重叠显示图5(a)和图5(b)所示的等高线在3种激发光的波长下的截面形状(荧光光谱)。在图6中,以黑三角(▲)表示异常被分选物10的BGY荧光的光谱,以白圆圈(〇)表示正常被分选物10的正常壳荧光的光谱,纵轴表示相对荧光强度,横轴表示荧光波长。图6(a)表示激发光的波长为360nm的荧光光谱,图6(b)表示激发光的波长为410nm的荧光光谱,图6(c)表示激发光的波长为440nm的荧光光谱。由图6可知,即使激发光的波长增加,BGY荧光的最大峰值波长也大体固定在530nm左右(520nm~540nm),只有荧光强度增加,另一方面可知,若激发光的波长增加为360nm、410nm、440nm,则正常壳荧光的最大峰值波长增加为460nm、480nm、520nm,接近BGY荧光的最大峰值波长。还有,在图6中,激发光的波长成分显示为BGY荧光和正常壳荧光的一部分。
根据图6的测量结果,优选BGY荧光的最大峰值波长(520nm~540nm)包括在光学滤光器12的透射波长范围内。另外,在光学滤光器12的透射波长范围内,不需要包括正常壳荧光的荧光强度的最大峰值波长,但由于需要特定被分选物10的位置或存在范围,所以需要包括正常壳荧光的荧光强度为一定值以上的波长范围的一部分。
图7中显示,激发光的波长为360nm、410nm和440nm的BGY荧光与正常壳荧光的荧光强度比(BGY荧光/正常壳荧光)的荧光波长依赖性。纵轴表示荧光强度比,横轴表示荧光波长。该荧光强度比,是根据图6所示的相对荧光强度计算的。上述荧光强度比,在激发光的波长于上述3个波长之中的360nm最大,特别是荧光波长在570nm附近最大,BGY荧光与正常壳荧光的SN比变大。
另外,与BGY荧光的最大峰值波长相对于激发光的波长的变化而在530nm左右为大致一定的情况同样,上述荧光强度比达到最大的荧光波长,相对于激发光的波长的变化在570nm左右(570nm~580nm)大致为一定。因此,在光学滤光器12的透射波长范围内,优选包括上述荧光强度比达到最大的荧光波长(570nm~580nm),同时包括BGY荧光的最大峰值波长(520nm~540nm)。
图8中显示,荧光波长为570nm的BGY荧光与正常壳荧光的荧光强度比(BGY荧光/正常壳荧光,以下称“第一荧光强度比(Rf1)”)、和荧光波长为510nm~590nm(10nm间隔)的各9点的平均荧光强度的荧光强度比(平均BGY荧光/平均正常壳荧光,以下称“第二荧光强度比(Rf2)”)、和荧光波长为500nm~600nm(10nm间隔)的各11点的平均荧光强度的荧光强度比(平均BGY荧光/平均正常壳荧光,以下称“第三荧光强度比(Rf3)”)的激发光波长依赖性。使激发光的波长在300nm~440nm的范围变化。纵轴表示荧光强度比,横轴表示激发光的波长。该第一及和第二荧光强度比,是根据图5所示的测量结果计算的。
第一荧光强度比,在激发光的波长为大约325nm~大约390nm的范围,约为5.0以上,大于激发光的波长为400nm~440nm的范围的荧光强度比。第二荧光强度比,在激发光的波长为大约325nm~大约375nm的范围,约为4.4以上,大于激发光的波长为380nm~440nm的范围的荧光强度比。第三荧光强度比,在激发光的波长为大约325nm~大约375nm的范围,约4.1以上,大于激发光的波长为380nm~440nm的范围的荧光强度比。特别是,第一至第三荧光强度比,均在激发光的波长处于340nm附近时达到最大,BGY荧光与正常壳荧光的SN比变大。
根据图8,第一至第三荧光强度比,均在激发光的波长低于340nm时急剧下降,因此,假设使用紫外线LED作为激发光的光源时,若发射光谱的半峰全宽(FWHM)为10nm~20nm左右,则照明装置11照射的紫外线的最大峰值波长优选为345nm以上。相对于此,即使激发光的波长超过390nm在5nm左右,第一至第三荧光强度比均不会大幅降低,因此,使照明装置11照射的紫外线的最大峰值波长为390nm以下也没有大碍。因此,照明装置11照射的紫外线的最大峰值波长,从BGY荧光与正常壳荧光的SN比的观点出发,优选在345nm~390nm的范围内,此外,更优选在350nm~375nm的范围内。
此外,如上述,即使激发光的波长增加,BGY荧光的最大峰值波长在530nm左右大致为一定,因此,若激发光的最大峰值波长增加并高于400nm,则不仅荧光强度比降低而招致SN比降低,而且激发光的波长与BGY荧光的波长接近,由此激发光及其反射光与BGY荧光的分离变得困难,因此照明装置11照射的紫外线的最大峰值波长,优选在345nm~390nm的范围内。
附带一提,由图6可知,BGY荧光和正常壳荧光的任意一个荧光强度,都处于若激发光的波长变短则降低的倾向,因此,若正常壳荧光的荧光强度过度降低,则作为传感器13需要使用高灵敏度的加以应对。但是,若根据现实状态的分析结果,则只要激发光的最大峰值波长为345nm以上便没有太大问题。
图9中显示照射波长365nm的激发光时的正常被分选物10的正常壳荧光、遭受了虫害的异常被分选物10的BGY荧光、以及从果仁发出的荧光的各荧光光谱。纵轴表示相对荧光强度,横轴表示荧光波长。正常壳荧光是来自细胞壁的荧光,BGY荧光来自果实和果仁受到物理性的损害或昆虫造成的虫害伤害,从开心果的果实和果仁生成酚类化合物附着于壳。
另外,被分选物10的带壳开心果,壳的一部分裂开,浅绿色的果仁和浅棕色的种皮从裂开的部分露出。若果仁被紫外线照射,则果仁中包括的叶绿素(chlorophyll)受到激发,发出最大峰值波长685nm的红色荧光。因此,若带壳开心果的裂开部分内部的果仁被紫外线照射,则与BGY荧光同样,显现强烈的叶绿素荧光,因此,需要将该叶绿素荧光的荧光强度大的波长成分与异常的被分选物10的BGY荧光分离。荧光波长480nm~620nm的波长范围的叶绿素荧光的荧光强度,显示出正常壳荧光的荧光强度的大约10%~大约35%的低的值。
由以上可知,在本实施方式中,将光学滤光器12的透射波长范围设定于500nm~600nm,以使光学滤光器12的透射波长范围内,包括BGY荧光的最大峰值波长(520nm~540nm)和BGY荧光与正常壳荧光的荧光强度比(BGY荧光/正常壳荧光)达到最大的荧光波长(570nm~580nm),并且,能够使上述叶绿素荧光与BGY荧光完全分离。
在此,关于光学滤光器12的透射波长范围的上限值,若该上限值增加而高于600nm,则由图7可知,BGY荧光与正常壳荧光的荧光强度比急剧降低,因此,为了配合将上述叶绿素荧光与BGY荧光完全分离,确保BGY荧光与正常壳荧光的SN比,在本实施方式中,设定为600nm。
另一方面,正常壳荧光的最大峰值波长,若激发光的波长增加则增加,但激发光的最大峰值波长为390nm以下时,则为470nm以下。因此,若荧光波长增加而高于470nm,则正常壳荧光的荧光强度渐渐降低。如上述,由于需要特定被分选物10的位置或存在范围,所以在光学滤光器12的透射波长范围内,必须包括正常壳荧光的荧光强度达到一定程度以上的波长范围的一部分。因此,光学滤光器12的透射波长范围的下限值,优选小于BGY荧光的最大峰值波长(520nm~540nm),更优选为500nm以下。但是,BGY荧光与正常壳荧光的荧光强度比,在激发光的波长范围为340nm~390nm时,若荧光波长低于500nm,则降低至2以下,因此,为了确保BGY荧光与正常壳荧光的SN比,优选荧光波长为500nm以上。因此,在本实施方式中,使光学滤光器12的透射波长范围的下限值为500nm。
更具体地说,如上述,光学滤光器12的短波长侧的透射阻止带BB1的长波长端λ1、透射带BT的短波长端λ2和长波长端λ3、长波长侧的透射阻止带BB2的短波长端λ4,设定为480nm≤λ1<500nm,500nm<λ2≤520nm,580nm≤λ3<600nm,600nm<λ4≤620nm,在透射带BT内,因为确实包括BGY荧光的最大峰值波长(520nm~540nm)和BGY荧光与正常壳荧光的荧光强度比(BGY荧光/正常壳荧光)达到最大的荧光波长(570nm~580nm),所以该波长范围的荧光波长,以高透射率透过,被传感器13接收。另外,上述叶绿素荧光,还有荧光强度急剧增加的640nm以上的波长成分,经由长波长侧的透射阻止带BB2被衰减至1%以下被阻挡。
此外,若短波长侧的透射阻止带BB1的长波长端λ1降低至480nm,则传感器13将接收到BGY荧光与正常壳荧光的荧光强度比为2以下的波长成分低的荧光,但是,对于该波长成分的透射率大幅低于透射带BT,尤其越是荧光强度比较低的短波长越低,因此,对BGY荧光与正常壳荧光的SN比造成的影响有限,在后述的判定装置14进行的被分选物10是否良好的判定中不是问题。
根据以上,在上述各波长λ1、λ2、λ3、λ4的变动范围内,可以实施被分选物10是否良好的判定。
如上述,在本实施方式中,各照明装置11上安装有阻挡400nm以上波长成分的紫外透射滤光器。由此,即使从照明装置11照射的紫外线的最大峰值波长在345nm~390nm的范围内,仍包括400nm以上的波长成分时,也可抑制由该400nm以上的波长成分激发的荧光发生,能够防止该荧光造成的BGY荧光与正常壳荧光的SN比的降低。
还有,从照明装置11出射的400nm以上的波长成分的发光强度小,例如,由400nm以上的波长成分激发的荧光在500nm~600nm的波长范围的荧光强度,与从照明装置11出射的低于400nm的波长成分所激发的荧光在500nm~600nm的波长范围的荧光强度相比,充分地小(例如,为10%以下,优选为5%以下)时,也不一定设置上述的U360紫外透射滤光器。
接着,参照图10所示的流程图,说明基于传感器13生成的二维图像数据DA,分别判定被分选物10是否良好的判定装置14的判定处理规程。
判定装置14,作为具备处理器(CPU等)和存储计算机指令及数据等的存储设备等的计算机·系统而构成,存储设备所存储的计算机指令在处理器上执行,从而实施以下说明的判定处理。换言之,判定装置14,由公知的计算机·硬件和用于实施以下说明的判定处理的含计算机指令的计算机·软件构成。构成判定装置14的计算机·硬件和计算机·软件的详情,因为并非本发明的主旨,因此省略说明。
判定处理从步骤#10开始,在步骤#10中,传感器13生成的二维图像数据DA(2488像素×2055像素×8位)被判定装置14获取。接着,在步骤#11中,对于二维图像数据DA,以阈值40进行二值化处理。由此,无论正常还是异常,都可能对全部被分选物10进行边缘检测处理。接着,在步骤#12中,对于经二值化处理的二维图像数据DA的灰度值40以上的像素,进行边缘检测处理。
接着,在步骤#13中,对于经过了边缘检测处理的二维图像数据DA,使用预先注册的几何学形状的匹配图形进行模式匹配处理。由此,对于检查区域IA内的全部被分选物10单个地分配匹配图形。然后,使被分选物10的壳整体的存在范围,近似于匹配图形(椭圆形)的存在范围。所分配的匹配图形(椭圆形),按各被分选物10存储到规定的存储区域。在本实施方式中,作为匹配图形使用椭圆形。本实施方式的模式匹配处理,是使用了公知的模式匹配·算法的处理,因其详细的处理内容不是本发明的主旨,所以省略详细说明。但是,若简单说明概略,则本实施方式的模式匹配处理,是将经过边缘检测处理的二维图像与匹配图形之间的相关性(重叠层次、金字塔层次、对比度等)进行数值化而计算分数,如果计算出的分数在设定的允许范围内,则成为使该匹配图形匹配的处理。还有,步骤#13中使用的模式匹配·算法,不限定于上述的算法,可以利用各种公知算法中的一个或组合多个利用。
接着,在步骤#14中,计算经由模式匹配处理而被分配到各被分选物10的匹配图形(椭圆形)的中心坐标,按各被分选物10被存储到规定的存储区域。还有,根据计算出的中心坐标,按各被分选物10分配特有的识别号码,上述中心坐标与该识别号码进行关联存储。
接着,在步骤#15中,对于在步骤#10中判定装置14所获取的二维图像数据DA,以阈值125进行二值化处理,经步骤#13的模式匹配处理被分配到各被分选物10的匹配图形(椭圆形)内,存在一个以上阈值125以上的像素时,该匹配图形所对应的被分选物10作为不合格品候选进行预分选。
接着,在步骤#16中,对于经步骤#15预分选的不合格品候选的被分选物10,单个地近似地计算所分配的匹配图形(椭圆形)的面积,作为该被分选物10的壳整体的面积S0,近似地计算该被分选物10的该匹配图形内的灰度值125以上的像素所占的面积,作为BGY荧光物质的附着面积S1,计算这2个面积S0、S1的面积比Ra(=S1/S0),按各被分选物10存储在规定的存储区域。这里,在面积比Ra的计算中,只要面积S0、S1作为相对值计算便足够,因此在本实施方式中,面积S0能够作为匹配图形内存在的像素数计算,面积S1能够作为匹配图形内存在的灰度值125以上的像素数计算。
接着,在步骤#17中,判定步骤#16中按各不合格品候选计算出的面积比Ra是否在规定的设定值Rx以上。将判定为Ra≥Rx的不合格品候选的被分选物10,判别为不合格品。判定为Ra<Rx的不合格品候选的被分选物10不判别为不合格品。对于全部不合格品候选重复执行步骤#17的是否良好判定后,转移到步骤#18。
接着,在步骤#18中,对于判别为不合格品的全部不合格品候选的被分选物10,将对应的匹配图形的中心坐标的坐标数据作为不合格品坐标,传送至除去被分选为不合格品的被分选物10的除去装置(参照第七实施方式),结束判定处理。
作为步骤#17和#18的其他实施方式,也可以对每个不合格品候选进行步骤#17的是否良好判定,只在判别为不合格品时,才继续进行步骤#18的传送处理,而未判别为不合格品时,则跳过步骤#18。换言之,也可以对于全部不合格品候选的被分选物10,就每个不合格品候选,重复执行步骤#17和#18的处理。
在本实施方式中,作为设定值Rx,例如,可以在0.01~0.2的范围内,根据被分选物10的原料状态等任意设定。另外,步骤#15的二值化处理的阈值从125增减时,步骤#17的设定值Rx也可以随之适宜变更。
此外,步骤#11和#15的二值化处理的阈值,不一定限定为40和125,也可以根据上述传感器13的感光度和透镜孔径等的调整、以及检查区域IA内的紫外线照度而适宜变更。
在上述判定处理规程中,不合格品的判别,根据表示荧光强度的像素值为40以上的被分选物10的壳整体的面积S0、与像素值为125以上的BGY荧光物质的附着面积S1的面积比Ra(=S1/S0)是否在规定的设定值Rx以上来进行。换言之,将BGY荧光物质的附着面积大的被分选物判别为不合格品。
图11表示在上述判定处理的步骤#10中判定装置14所获取的二维图像数据DA的二维图像,图12表示在上述判定处理的步骤#13的模式匹配处理中按各被分选物10被分配的匹配图形(椭圆形)和中心(以×标记图示)。图12中的箭头,指示在上述判定处理的步骤#17中判别为不合格品的被分选物10。由图11和图12可知,通过执行图10的流程图所示的判定处理,对于载置于传送带CB上的检查区域IA内的多个被分选物10,同时进行好坏判定。换言之,可以对于多个被分选物10进行高速的分选处理。
接下来,对于参照图10所示的流程图说明的判定装置14的判定处理规程(第一判定处理规程)的3个变形例(第二至第四判定处理规程),由以下的第二至第四实施方式进行说明。与第一判定处理规程重复的说明,根据需要适宜省略。另外,在第二至第四实施方式中,除了判定装置14的判定处理规程,本分选装置1的构成,与第一实施方式中说明的相同,省略重复的说明。
<第二实施方式>
对于判定装置14的判定处理规程的第一变形例(第二判定处理规程),参照图13所示的流程图进行说明。还有,第二判定处理规程的步骤的处理内容,与第一判定处理规程的步骤的处理内容相同时,在图13中,在步骤编号右侧的括号内附加第一判定处理规程的步骤编号。
判定处理,从步骤#20开始,在步骤#20中,传感器13生成的二维图像数据DA(2488像素×2055像素×8位)被判定装置14获取。接着,在步骤#21中,对于二维图像数据DA,以阈值40进行二值化处理。接着,在步骤#22中,对于经二值化处理的二维图像数据DA的灰度值40以上的像素,进行边缘检测处理。
接着,在步骤#23中,对于经边缘检测处理的二维图像数据DA,使用预先注册的几何学形状的匹配图形进行模式匹配处理。由此,使被分选物10的壳整体的存在范围,近似于匹配图形(椭圆形)的存在范围。步骤#20~#23,与第一判定处理规程的步骤#10~#13相同。
接着,在步骤#24中,通过模式匹配处理被分配到各被分选物10的匹配图形(椭圆形)内存在的像素的最大像素值(灰度值)Px按各被分选物10被导出,存储到规定的存储区域。
接着,在步骤#25中,计算通过模式匹配处理而分配给各被分选物10的匹配图形(椭圆形)的中心坐标,按各被分选物10存储到规定的存储区域。还有,按各被分选物10根据计算出的中心坐标分配特有的识别号码,上述中心坐标与该识别号码关联存储。步骤#25与第一判定处理规程的步骤#14相同。另外,步骤#24也可以在步骤#25之后实施,或者,也可以与步骤#25同时实施。
接着,在步骤#26中,判定在步骤#24中按各被分选物10导出的最大像素值Px,是否在规定的阈值Pt以上。将判定为Px≥Pt的被分选物10判别为不合格品。判定为Px<Pt的被分选物10不判别为不合格品。对于全部不合格品候选重复执行步骤#26是否良好判定后,转移到步骤#27。
接着,在步骤#27中,对于判别为不合格品的全部被分选物10,以对应的匹配图形的中心坐标的坐标数据作为不合格品坐标,传送至除去判别为不合格品的被分选物10的除去装置(参照第七实施方式),结束判定处理。
作为步骤#26和#27的其他实施方式,与第一判定处理规程的步骤#17和#18的其他实施方式同样,也可以对每个被分选物10进行步骤#26的是否良好判定,只在判别为不合格品时,继续进行步骤#27的传送处理,未判别为不合格品时跳过步骤#27。换言之,也可以对于全部被分选物10,就每个被分选物10,重复执行步骤#26和#27的处理。
在本实施方式中,作为阈值Pt,例如,在125~200的范围内,可以根据被分选物10的原料状态等任意设定。
在第一判定处理规程中,根据被分选物10的壳整体的面积S0与BGY荧光物质的附着面积S1的面积比Ra(=S1/S0)是否在规定的设定值Rx以上,将BGY荧光物质的附着面积大的被分选物判别为不合格品,但在第二判定处理规程(第一变形例)中,是根据被分选物10的壳整体的存在范围内的各像素值所示的荧光强度的最大值Px是否在规定的阈值Pt以上,将BGY荧光物质的荧光强度大的被分选物判别为不合格品,在这一点上,第一判定处理规程与第二判定处理规程有所不同。
作为步骤#24和#26的其他实施方式,也可以省略步骤#24,在步骤#26中,在通过模式匹配处理而分配到各被分选物10的匹配图形(椭圆形)内存在的多个像素之中,判定像素值(灰度值)在规定的阈值Pt以上的像素是否存在1以上。如果规定的阈值Pt以上的像素存在1以上,则执行步骤#24时所导出的最大像素值(灰度值)Px,必然在规定的阈值Pt以上。
<第三实施方式>
对于判定装置14的判定处理规程的第二变形例(第三判定处理规程),参照图14所示的流程图进行说明。还有,第三判定处理规程的步骤的处理内容,与第一或第二判定处理规程的步骤的处理内容相同时,在图14中,在步骤编号的右侧的括号内附加第一或第二判定处理规程的步骤编号。
判定处理,从步骤#30开始,在步骤#30中,传感器13生成的二维图像数据DA(2488像素×2055像素×8位)被判定装置14获取。接着,在步骤#31中,对于二维图像数据DA,以阈值40进行二值化处理。接着,在步骤#32中,对于经二值化处理的二维图像数据DA的灰度值40以上的像素,进行边缘检测处理。
接着,在步骤#33中,对于经过边缘检测处理的二维图像数据DA,使用预先注册的几何学形状的匹配图形进行模式匹配处理。由此,使被分选物10的壳整体的存在范围,近似于匹配图形(椭圆形)的存在范围。步骤#30~#33与第一判定处理规程的步骤#10~#13相同。
接着,在步骤#34中,通过模式匹配处理而分配给各被分选物10的匹配图形(椭圆形)内存在的像素的最大像素值(灰度值)Px,按各被分选物10被导出,被存储在规定的存储区域。步骤#34与第二判定处理规程的步骤#24相同。
接着,在步骤#35中,计算通过模式匹配处理而分配给各被分选物10的匹配图形(椭圆形)的中心坐标,按各被分选物10存储在规定的存储区域。还有,按各被分选物10,根据计算出的中心坐标分配特有的识别号码,上述中心坐标,与该识别号码关联存储。另外,步骤#34b也可以在步骤#35之后进行,或与步骤#25同时实施。
接着,在步骤#36中,对于在步骤#30中被判定装置14获取的二维图像数据DA,以阈值125进行二值化处理,在由步骤#33的模式匹配处理而分配到各被分选物10的匹配图形(椭圆形)内,如果存在1个以上的阈值125以上的像素,则将该匹配图形所对应的被分选物10作为不合格品候选进行预分选。
接着,在步骤#37中,对于由步骤#36进行了预分选的不合格品候选的被分选物10,单个地近似地计算所分配的匹配图形(椭圆形)的面积,作为该被分选物10的壳整体的面积S0,近似地计算该被分选物10的该匹配图形内的灰度值125以上的像素所占的面积,作为BGY荧光物质的附着面积S1,计算这2个面积S0、S1的面积比Ra(=S1/S0),存储在规定的存储区域。步骤#35~#37与第一判定处理规程的步骤#14~#16相同。
接着,在步骤#38中,判定由步骤#34按各被分选物10导出的最大像素值Px是否在规定的阈值Pt以上,判定由步骤#37按不合格品候选计算出的面积比Ra,是否在规定的设定值Rx以上。将判定为Px≥Pt且Ra≥Rx的全部不合格品候选的被分选物10,判别为不合格品。判定为Px<Pt或Ra<Rx的被分选物10不判别为不合格品。对于全部被分选物10和不合格品候选重复执行步骤#38的两种的是否良好的判定之后,转移到步骤#39。步骤#38,是将第一判定处理规程的步骤#17和第二判定处理规程的步骤#26加以组合的处理内容。
接着,在步骤#39中,对于判别为不合格品的全部不合格品候选的被分选物10,将对应的匹配图形的中心坐标的坐标数据作为不合格品坐标,传送到除去判别为不合格品的被分选物10的除去装置(参照第七实施方式),结束判定处理。
作为步骤#38和#39的其他实施方式,与第一判定处理规程的步骤#17和#18的其他实施方式同样,对于每个被分选物10和每个不合格品候选进行步骤#38的两种的是否良好的判定,只有判别为不合格品时,才继续进行步骤#39的传送处理,未判别为不合格品时,也可以跳过步骤#39。换言之,也可以对于全部被分选物10,就每个被分选物10和每个不合格品候选,重复执行步骤#38和#39的处理。
第三判定处理规程,是综合了第一判定处理规程和第二判定处理规程的处理规程。
作为第三判定处理规程的变形例,也可以在步骤#38中,将判定为Px≥Pt或Ra≥Rx的全部不合格品候选的被分选物10判别为不合格品,判定为Px<Pt且Ra<Rx的全部被分选物10不判别为不合格品。但是,在本变形例中,为了易于判别为不合格品,阈值Pt和设定值Rx也可以设定得比第三判定处理规程高。
作为步骤#34和#38的其他实施方式,与上述的第二判定处理规程的步骤#24和#26的其他实施方式同样,也可以省略步骤#34,在步骤#38中,在通过模式匹配处理分配给各被分选物10的匹配图形(椭圆形)内存在的多个像素之中,判定是否存在1以上像素值(灰度值)在规定的阈值Pt以上的像素。
<第四实施方式>
对于判定装置14的判定处理规程的第三变形例(第四判定处理规程),参照图15所示的流程图进行说明。
第四判定处理规程,是对于上述的第一至第三判定处理规程的通用变形例。在第一至第三判定处理规程中,在步骤#13、#23和#33,对于经过边缘检测处理的二维图像数据DA进行模式匹配处理。在此,边缘检测处理中,因为是以由阈值40进行了二值化处理的二维图像数据DA为对象,所以经边缘检测处理的二维图像中,包括全部被分选物10。假如,配置在检查区域IA内的被分选物10的总数为100时,则对于该100个被分选物10进行模式匹配处理。
相对于此,在以下说明的第四判定处理规程中,其目的在于,通过将会被判别为不合格品的被分选物10不可能存在的范围预先排除,从而使模式匹配处理的处理范围比第一至第三判定处理规程的处理范围大幅缩小,在被分选物10很多,并次品率低的情况下,使花费在模式匹配处理上的时间和负荷大幅减少。
因此,在第四判定处理规程中,直至第一至第三判定处理规程的模式匹配处理(步骤#13,#23,#33)及其预备处理(阈值40的二值化处理和边缘检测处理(步骤#11和#12、#21和#22、#31和#32))之前,执行决定模式匹配处理及其预备处理的处理范围的前处理。以下,对此前处理进行说明。
第四判定处理规程的前处理,在第一至第三判定处理规程的各二维图像数据DA的获取处理(步骤#10、#20、#30)与各模式匹配处理的预备处理(步骤#11、#21、#31)之间实施。
第四判定处理规程的前处理,从步骤#41开始,在步骤#41中,对于二维图像数据DA,以阈值90进行二值化处理。以阈值90进行了二值化处理的范围,比第一至第三判定处理规程的上述预备处理后的边缘检测处理过的范围狭窄。因此,构成经阈值90二值化处理的灰度值90以上的各被分选物10的一部分的像素群,如果实施了第一至第三判定处理规程的模式匹配处理(步骤#13、#23、#33),则将分散存在于对于检查区域IA内的全部被分选物10单独分配的匹配图形的内侧。
接着,在步骤#42中,针对每个像素群,特定构成各被分选物10的一部分的像素群内的灰度值最大的像素,以该灰度值最大的像素为中心,在每个像素群设定例如直径45mm的圆形区域,使每个像素群的圆形区域重合,决定模式匹配处理及其预备处理的处理范围。
接着,根据实施第一至第三判定处理规程的任意,转移到第一至第三判定处理规程的步骤#11、#21、#31的任意。转移后的处理内容,在第一至第三判定处理规程中已说明过,因此省略重复说明。还有,转移到第一至第三判定处理规程的步骤#11、#21、#31的以阈值40二值化处理的理由,是因为在上述处理范围的各圆形区域内,可以包括低于阈值40的像素。
带壳开心果的大小,长轴的长度为20mm左右,即使判别为不合格品的被分选物10的BGY荧光物质处于壳的周边,在以BGY荧光强度最大的像素为中心的直径45mm的圆形区域内,也能够收纳被分选物10。规定该圆形区域的直径不限定于45mm,可以根据被分选物10的原料状态等任意设定。
另外,步骤#41的二值化处理的阈值也不限定于90,例如,可以在60~120的范围内任意设定,可以根据被分选物10的原料状态等改变。
虽然根据原料的状态,但在步骤#42中设定的圆形区域的数量,在二维图像数据DA的检查区域IA内至多也就10个左右,步骤#42中决定的处理范围,相对于检查区域IA以面积比计小,为15%左右。其结果是,能够在第一至第三判定处理规程中实施的模式匹配处理中,将作为处理对象的被分选物10的数量减少至十分之一左右,关于模式匹配处理所需的运算时间,也能够减少至十分之一左右。
<第五实施方式>
第五实施方式的本分选装置2,如图16所示,具备如下而构成:照明装置21,其对于配置在检查区域IA内的一个或多个的作为被分选物10的带壳开心果照射紫外线;光学滤光器22,其选择性地使受到从照明装置21照射的紫外线激发而从被分选物10发出的荧光的规定波长范围的光透过;传感器23,其反复多次检验透过光学滤光器22的荧光的一维的强度分布,生成表示检查区域IA内的荧光的二维强度分布的二维图像数据DA;和判定装置24,其基于二维图像数据DA单个地判定被分选物10是否良好。
在第一实施方式中,构成本分选装置1的传感器13由区域照相机构成,但在第五实施方式中,传感器23由线传感器构成。
在本实施方式中,取代第一实施方式中使用的5M像素的单色CCD相机(水平方向2488像素×垂直方向2055像素),使用水平方向的像素数为3倍的7500像素的线传感器。这种情况下,因为线传感器的水平方向成为传送带CB的宽度方向(相对于传送带CB的行进方向正交),所以能够将传送带CB的宽度扩大至第一实施方式中使用的传送带CB宽度(例如,600mm)的3倍(例如,1800mm),检查处理能力增加至3倍(例如,1800kg/小时)。
作为传感器13而使用区域照相机的第一实施方式中,区域照相机生成的二维图像数据DA的帧垂直方向与传送带CB的行进方向平行。另一方面,作为传感器23使用线传感器的第五实施方式中,传送带CB的一定时间移动的距离,相当于传感器23生成的二维图像数据DA的帧垂直方向。这种情况下,以安装在带式输送机上的编码器读取传送带CB的移动速度,设定帧垂直方向的长度达到预定值的最佳获取时间。
作为一例,为了使垂直方向的像素数为2055,线传感器反复扫描2055次,生成7500像素×2055像素的二维图像数据DA。例如,对于传送带CB移动400mm进行图像获取时,大约4秒钟内扫描2055次生成二维图像数据DA。为了持续监控传送带CB的移动速度而需要编码器,需要基于从编码器得到的移动速度使扫描次数最佳化。
在本实施方式中,照明装置21,与第一实施方式同样,由最大峰值波长优选处于345nm~390nm,更优选处于350nm~375nm的范围内的紫外线LED构成。另外,各照明装置21上安装有光学滤光器,其阻断从紫外线LED出射的紫外线中400nm以上的波长成分。
在本实施方式中,照明装置21照射检查区域IA内被线传感器扫描的范围(扫描范围)即可,虽然能够缩小垂直方向的照射范围,但因为传送带CB的宽度扩大3倍,所以水平方向的照射范围扩大。因此,使用3台具有12灯的大功率紫外线LED的照明装置21,合计36灯的大功率紫外线LED,照明线状的扫描范围。
在本实施方式中,作为传感器23使用像素数多的线传感器,由此具有的优点是,传送带CB的宽度扩大带来检查处理能力的增加,传送带CB行进方向的照明装置21的紫外线照明范围削减等。
光学滤光器22,与第一实施方式同样,其构成为,选择性地透过500nm~600nm的波长范围的光。但是,与第一实施方式同样,光学滤光器22安装在传感器23的光接收用的开口部前方,因此光学滤光器22的大小,要配合线传感器的光接收面开口部的大小进行调整。
在本实施方式中,与第一实施方式同样,照明装置21、光学滤光器22和传感器23设置在暗箱(未图示)内,阻挡环境光进入到检查区域IA内。另外,在第一实施方式所说明的条件下,照明装置21、光学滤光器22和传感器23不需要一定设置在暗箱内。
判定装置24的判定处理规程,只有处理对象的二维图像数据DA的像素数不同,判定处理规程本身,与第一至第四实施方式中说明的第一至第四判定处理规程的某一个相同,因此省略重复说明。
<第六实施方式>
在第五实施方式中对构成本分选装置2的照明装置21和传感器23由紫外线LED和线传感器构成的情况进行了说明,但在第六实施方式中,构成本分选装置3的照明装置31,光源具有紫外线半导体激光器而构成,其发光波长设定得与第一和第五实施方式中说明的照明装置11、21的最大峰值波长相同。
在第六实施方式中,照明装置31由紫外线半导体激光器构成这一点与第五实施方式不同,其他构成元件(光学滤光器22、传感器23、判定装置24等)与第五实施方式相同,省略重复说明。因此,图16所示的第五实施方式的本分选装置2的构成例,只要将照明装置21置换成以下说明的照明装置31,便成为第六实施方式的本分选装置3的构成例。以下,参照图17,对于照明装置31进行说明。
如图17所示,照明装置31构成为,具备光源的紫外线半导体激光器32;和由多边形镜33、Fθ透镜34、35及反射镜36构成的光学系统。从半导体激光器32振荡的束状的激光LB0,被照射到高速进行旋转的多边形镜33上。由多边形镜33反射的激光LB1被Fθ透镜34、35会聚,照射到反射镜36上。由反射镜36反射的激光LB2,在传送带CB上在宽度方向上高速扫描。在激光LB0横穿多边形镜33的一个面的期间,激光LB2在传送带CB上的1行扫描结束。Fθ透镜以如下方式配置:使由传感器23的线传感器照射到传送带CB上的激光LB2收纳在视场角内。调整多边形镜33的旋转速度,使在传送带CB上扫描的激光LB2的速度与线传感器的扫描速度同步。
多边形镜33、Fθ透镜34、35和反射镜36,是用于使激光在规定的焦平面上扫描的光学系统中通常使用的众所周知的光学部件,因此省略对于各个光学部品的说明。
<第七实施方式>
第七实施方式的本分选装置4,如图18所示,在第一至第四实施方式所说明的本分选装置1中追加了除去装置40而构成,该除去装置40用于物理性地除去由除判定装置14判别为不合格品的被分选物10。关于本分选装置1,已经在第一至第四实施方式中进行过详细说明,因此省略重复说明。以下,对于除去装置40进行说明。
在本实施方式中,除去装置40具备并行链路机器人而构成。在并行链路机器人的捡拾部,安装有具备闸门机构的抽吸软管。传送带CB横断本分选装置1和除去装置40而设置,传送带CB的带面,从本分选装置1朝向除去装置40进行移动。换言之,在传送带CB的上游侧配置本分选装置1,在下游侧配置除去装置40。在带式输送机上,设有用于持续监控传送带CB的移动速度的编码器。
在本分选装置1的判定装置14中判别为不合格品的全部被分选物10的匹配图形(椭圆形)的中心坐标的坐标数据(不合格品坐标),从判定装置14被传送至并行链路机器人。从判定装置14传送的坐标数据,基于从编码器得到的传送带CB的移动速度,被转换成各坐标数据所对应的被分选物10到达并行链路机器人的可移动范围时的可移动范围内的位置坐标。
以使捡拾部的中心处于上述经过转换的坐标位置的正上方的方式进行移动,捡拾部的闸门在传送带CB上10mm的位置停止,同时开闸门。闸门内部处于减压状态,抽吸被判别为不合格品的被分选物10的带壳开心果的一粒,闭闸门,从而分选除去判别为不合格品的被分选物10。在本实施方式中,由并行链路机器人进行分选除去,可以避免过冲和振动,实现高可靠性的拣选。
图19中,表示本实施方式的本分选装置4的系统构成。本分选装置4的系统50,具备如下而构成:处理器51;存储设备52;输出接口53;LED驱动器54;照明装置11(紫外线LED);输入/输出接口55;传感器13(区域照相机);机器人接口56;除去装置40(并行链路机器人);外部存储接口57;和外部存储设备58。
存储设备52存储有:控制系统50整体的控制程序P1;规定判定装置14的判定处理规程的判定处理程序P2;在判定处理规程中得到的各种数据(二维图像数据DA、不合格品的检测事件等)D1;在判定处理规程中得到的被判别为不合格品的全部被分选物10的匹配图形(椭圆形)的中心坐标的坐标数据(不合格品坐标)D2等。
基于控制程序P1,照明装置11工作,检查区域IA内的被分选物10的二维图像数据DA,从由传感器13传入存储设备52内。基于判定处理程序P2,对于所获取的二维图像数据DA,实施第一至第四实施方式中说明的第一至第四判定处理规程,被判别为不合格品的全部被分选物10的中心坐标的坐标数据D2,被传送至除去装置40(并行链路机器人)。基于从编码器得到的传送带CB的移动速度,计算传送带CB的移动距离,对于中心坐标的坐标数据D2进行移动距离修正,坐标数据D2的中心坐标,被转换为到达并行链路机器人的可移动范围时的可移动范围内的位置坐标。其结果是,到达经转换的坐标位置的被分选物10,由并行链路机器人的捡拾部除去。
图19所示的本分选装置4的系统构成,除了机器人接口56、除去装置40(并行链路机器人)以外,能够作为第一至第四实施方式的本分选装置1、第五实施方式的本分选装置2、第六实施方式的本分选装置3的系统构成利用。
<其他实施方式>
(1)判定装置14的判定处理规程,未必限定于上述第一至第四实施方式中说明的第一和第四判定处理规程。可以进行各种处理规程变更。
例如,也可以省略第一和第三判定处理规程的步骤#15和#36的不合格品候选的预分选。这种情况下,没有成为不合格品候选的被分选物10的BGY荧光物质的附着面积S1为0,因此也不用计算壳整体的面积S0,面积比Ra(=S1/S0)为0。因此,先对于每个被分选物10计算附着面积S1,S1=0时,不计算壳整体的面积S0,使Ra=0。
另外,在第三实施方式所说明的第三判定处理规程中,由步骤#36通过阈值125的二值化处理进行不合格品候选的预分选,因此步骤#34的最大像素值(灰度值)Px的导出、和/或、步骤#35的中心坐标的计算,也可以在步骤#36之后,对于经过预分选的不合格品候选进行。步骤#34的最大像素值(灰度值)Px的导出对于经过预分选的不合格品候选进行时,步骤#38的判定处理,也对于经过预分选的不合格品候选进行。
此外,在第一判定处理规程中,也是由步骤#15通过阈值125的二值化处理进行不合格品候选的预分选,因此步骤#14的中心坐标的计算,也可以在步骤#15之后,对于经过预分选的不合格品候选进行。
此外,在上述的第一至第四判定处理规程中,在步骤#13、#23、#33中,对于经过边缘检测处理的二维图像数据DA进行模式匹配处理。但是,即使通过模式匹配处理未将匹配图形(椭圆形)分配给各被分选物10,也可以计算各被分选物10的中心坐标、各被分选物10的壳整体的面积S0、附着在各被分选物10的BGY荧光物质的附着面积S1、和各被分选物10的壳整体的存在范围。
例如,将多个被分选物10载置于传送带CB上时,如果被分选物10以彼此不接触的方式载置,例如,在第一判定处理规程的步骤#12的边缘检测处理中,由于按各被分选物10进行边缘检测,所以不用进行模式匹配处理,便能够很容易地对于经过边缘检测的各区域,直接计算各被分选物10的中心坐标、各被分选物10的壳整体的面积S0、附着于各被分选物10的BGY荧光物质的附着面积S1、和各被分选物10的壳整体的存在范围。
此外,即使多个被分选物10彼此接触,例如,也可以使经过第一判定处理规程的步骤#12的边缘检测处理的边缘,先后退到数mm左右内侧,使边缘所包围的区域按各被分选物10分离后,再使后退的边缘向外侧扩展相当于后退的量,从而将按各照被分选物10区分的区域规定为各被分选物10的壳整体的存在范围。由此,不用进行模式匹配处理,基于各被分选物10的壳整体的存在范围,就能够计算各被分选物10的中心坐标、各被分选物10的壳整体的面积S0、附着于各被分选物10的BGY荧光物质的附着面积S1。
(2)在上述各实施方式中,一个或多个作为被分选物10的带壳开心果,配置在传送带CB上,基于拍摄被分选物10上侧的单面所得到的二维图像数据DA进行是否良好的判定。换言之,在对于上侧单面经是否良好的判定而未判别为不合格品的被分选物10之中,在对于下侧单面进行同样的是否良好的判定时,有会被判别为不合格品的被分选物10残留的可能性。
因此,作为优选的一个实施方式,在上述各实施方式中,对于除去在针对上侧单面的是否良好的判定中被判别为不合格品的被分选物10后剩余的被分选物10,使被分选物10上下反转后,再次实施上述各实施方式中说明的是否良好的判定。
作为使被分选物10上下反转的方法,串联配置2台带式输送机,使2台带式输送机的连接部分的带面的高差(落差)大于被分选物10的长轴长度。由此,被分选物10从带面高的一侧向低的一侧移动时,能够借助该阶梯部使被分选物10上下反转。
此外,作为优选的另一个实施方式,将一个或多个的作为被分选物10的带壳开心果载置在传送带CB上,在此状态下,不进行是否良好的判定和除去,而是在一个或多个被分选物10在空中落下的途中,从空中落下的被分选物10一面侧照射紫外线并拍摄这一个面,并且从另一面侧也照射紫外线并拍摄此另一个面,对于被分选物10左右两面进行是否良好的判定,使被判别为不合格品的被分选物10在落下途中,可以用气枪等喷射压缩空气进行除去。
(3)在上述第七实施方式中,对于除去装置40由并行链路机器人构成的实施方式进行了说明,但捡拾部的移动,也可以使用并行链路机器人以外的机构。例如,也可以固定捡拾部在传送带CB的移动方向的位置,根据不合格品坐标调整一个或多个捡拾部的宽度方向的位置,在判别为不合格品的被分选物10移动到捡拾部下方的时刻,打开捡拾部的闸门,抽吸并除去该被分选物10。
产业上的可利用性
本发明可以利用于开心果分选装置,其可利用BGY荧光对于对带壳开心果进行分选。
符号说明
1~4: 开心果分选装置
10: 被分选物(带壳开心果)
11、21: 照明装置(紫外线LED)
12、22: 光学滤光器
13: 传感器(区域照相机)
14、24: 判定装置
15: 暗箱(遮光部)
23: 传感器(线传感器)
31: 照明装置
32: 光源(紫外线半导体激光器)
33: 多边形镜
34、35: Fθ透镜
36: 反射镜
40: 除去装置
50: 开心果分选装置的系统
51: 处理器
52: 存储设备
53: 输出接口
54: LED驱动器
55: 输入/输出接口
56: 机器人接口
57: 外部存储接口
58: 外部存储设备
CB: 传送带
D1: 判定处理规程得到的各种数据
D2: 中心坐标的坐标数据(不合格品坐标)
DA: 二维图像数据
IA: 检查区域
LB0~2: 激光
P1: 控制程序
P2: 判定处理程序
Claims (11)
1.一种开心果分选装置,其特征在于,是检测附着于一个或多个作为被分选物的带壳开心果的壳上的荧光物质,单个地判定所述被分选物是否良好而进行分选的开心果分选装置,其具备:
照明装置,所述照明装置对于检查区域内的所述被分选物,照射最大峰值波长处于345nm~390nm的范围内的紫外线;
光学滤光器,所述光学滤光器选择性地使500nm~600nm的波长范围的光透过;
传感器,所述传感器检验从所述被分选物发出并透过所述光学滤光器的荧光的二维强度分布,生成表示所述检查区域内的所述荧光的二维强度分布的二维图像数据;
判定装置,所述判定装置基于所述二维图像数据,单个地判定所述被分选物是否良好。
2.根据权利要求1所述的开心果分选装置,其特征在于,具备在内部构成所述检查区域,并且,阻挡来自外部的环境光进入到所述检查区域内的遮光部。
3.根据权利要求1或2所述的开心果分选装置,其特征在于,所述照明装置,对于所述检查区域内的所述被分选物,照射最大峰值波长处于350nm~375nm的范围内的紫外线。
4.根据权利要求1~3中任一项所述的开心果分选装置,其特征在于,所述判定装置的构成为,基于所述二维图像数据,基于所述被分选物的壳整体的面积、与所述被分选物的所述壳整体的存在范围内的由所述二维图像数据的各像素值所示的荧光强度在规定的阈值以上的所述荧光物质的附着面积的面积比,单个地判定所述被分选物是否良好。
5.根据权利要求1~3中任一项所述的开心果分选装置,其特征在于,所述判定装置的构成为,基于所述二维图像数据,基于所述检查区域内的所述被分选物的壳整体的存在范围内的、由所述被分选物的所述二维图像数据的各像素值所示的荧光强度的最大值,单个地判定所述被分选物是否良好。
6.根据权利要求1~3中任一项所述的开心果分选装置,其特征在于,所述判定装置的构成为,基于所述二维图像数据,基于所述被分选物的壳整体的面积、与所述被分选物的所述壳整体的存在范围内的由所述二维图像数据的各像素值所示的荧光强度在规定的阈值以上的所述荧光物质的附着面积的面积比,和所述检查区域内的所述被分选物的所述壳整体的存在范围内的、由所述被分选物的所述二维图像数据的各像素值所示的荧光强度的最大值,单个地判定所述被分选物是否良好。
7.根据权利要求4或6所述的开心果分选装置,其特征在于,所述判定装置的构成为,基于所述二维图像数据,实施与预先注册的几何学形状的模式匹配,以所述几何学形状近似所述被分选物的外缘,计算所述几何学形状的面积作为所述被分选物的所述壳整体的面积。
8.根据权利要求5或6所述的开心果分选装置,其特征在于,所述判定装置的构成为,基于所述二维图像数据,实施与预先注册的几何学形状的模式匹配,以所述几何学形状近似所述被分选物的外缘,计算所述检查区域内的所述几何学形状的存在范围,作为所述被分选物的所述壳整体的存在范围。
9.根据权利要求7或8所述的开心果分选装置,其特征在于,在所述检查区域内存在多个所述被分选物的情况下,所述判定装置,基于所述二维图像数据,特定将能够被判别为不合格品的所述被分选物不可能存在的范围从所述检查区域排除的处理范围,在所述处理范围内实施所述模式匹配。
10.根据权利要求1~9中任一项所述的开心果分选装置,其特征在于,所述判定装置的构成为,作为表示被判别为不合格品的所述被分选物在所述检查区域内的位置的二维坐标的不合格品坐标,计算近似于该被分选物外缘的几何学形状中心的二维坐标。
11.根据权利要求1~10中任一项所述的开心果分选装置,其特征在于,所述判定装置的构成为,计算表示被判别为不合格品的所述被分选物在所述检查区域内的位置的二维坐标,作为不合格品坐标,
具备除去装置,所述除去装置基于所述判定装置计算的所述不合格品坐标,除去被判别为所述不合格品的所述被分选物。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/022356 WO2022259533A1 (ja) | 2021-06-11 | 2021-06-11 | ピスタチオ選別装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115769067A true CN115769067A (zh) | 2023-03-07 |
CN115769067B CN115769067B (zh) | 2024-03-12 |
Family
ID=80448120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180039482.XA Active CN115769067B (zh) | 2021-06-11 | 2021-06-11 | 开心果分选装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11769246B2 (zh) |
JP (1) | JP6997495B1 (zh) |
CN (1) | CN115769067B (zh) |
WO (1) | WO2022259533A1 (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120061586A1 (en) * | 2010-09-10 | 2012-03-15 | Haibo Yao | Method and detection system for detection of aflatoxin in corn with fluorescence spectra |
US20120093985A1 (en) * | 2010-10-13 | 2012-04-19 | Mike Vasilescu | System and method for aflatoxin detection |
JP2012177607A (ja) * | 2011-02-25 | 2012-09-13 | National Agriculture & Food Research Organization | アフラトキシン検知方法、アフラトキシン検知装置、および、プログラム |
CN103234945A (zh) * | 2013-03-29 | 2013-08-07 | 合肥美亚光电技术股份有限公司 | 黄曲霉毒素检测及分选装置 |
CN204699963U (zh) * | 2015-03-02 | 2015-10-14 | 青岛农业大学 | 一种具有黄曲霉素检测功能的农产品智能分选机 |
CN105334200A (zh) * | 2015-11-19 | 2016-02-17 | 无锡百奥森科技有限公司 | 一种快速检测黄曲霉毒素浓度的检测仪及其检测方法 |
CN105334199A (zh) * | 2015-11-19 | 2016-02-17 | 无锡百奥森科技有限公司 | 一种在线检测玉米中黄曲霉毒素b1的检测仪及其检测方法 |
CN107328745A (zh) * | 2017-06-16 | 2017-11-07 | 合肥泰禾光电科技股份有限公司 | 一种黄曲霉毒素检测方法和装置 |
JP2020003423A (ja) * | 2018-06-29 | 2020-01-09 | インダストリーネットワーク株式会社 | 種子の品質評価・選別システム |
CN113102291A (zh) * | 2021-04-01 | 2021-07-13 | 合肥泰禾智能科技集团股份有限公司 | 一种黄曲霉毒素检测分选装置及检测分选方法 |
CN113418896A (zh) * | 2021-05-18 | 2021-09-21 | 中国农业大学 | 一种用于在线高通量检测玉米籽粒中黄曲霉毒素的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4535248A (en) * | 1984-08-24 | 1985-08-13 | The United States Of America As Represented By The Secretary Of Agriculture | Method for detecting aflatoxin in almonds |
US5703784A (en) * | 1995-10-30 | 1997-12-30 | The United States Of America As Represented By The Secretary Of Agriculture | Machine vision apparatus and method for sorting objects |
LU90565B1 (en) | 2000-04-14 | 2001-10-15 | Europ Economic Community | Device for the detection of aflatoxins |
JP5218729B2 (ja) | 2007-10-17 | 2013-06-26 | 株式会社サタケ | 殻付ピスタチオ粒の選別装置 |
US7858893B1 (en) * | 2007-11-14 | 2010-12-28 | The United States Of America As Represented By The Secretary Of Agriculture | Sorting of agricultural process streams |
US20100193412A1 (en) * | 2009-02-02 | 2010-08-05 | Satake Usa, Inc. | Beam splitter |
US8930015B2 (en) * | 2012-11-20 | 2015-01-06 | Bratney Companies | Sorting system for damaged product |
US9221080B2 (en) * | 2013-12-19 | 2015-12-29 | Multiscan Technologies, S.L. | Method for inspection and sorting of pistachios |
-
2021
- 2021-06-11 WO PCT/JP2021/022356 patent/WO2022259533A1/ja active Application Filing
- 2021-06-11 JP JP2021549243A patent/JP6997495B1/ja active Active
- 2021-06-11 CN CN202180039482.XA patent/CN115769067B/zh active Active
- 2021-06-11 US US18/013,423 patent/US11769246B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120061586A1 (en) * | 2010-09-10 | 2012-03-15 | Haibo Yao | Method and detection system for detection of aflatoxin in corn with fluorescence spectra |
US20120093985A1 (en) * | 2010-10-13 | 2012-04-19 | Mike Vasilescu | System and method for aflatoxin detection |
JP2012177607A (ja) * | 2011-02-25 | 2012-09-13 | National Agriculture & Food Research Organization | アフラトキシン検知方法、アフラトキシン検知装置、および、プログラム |
CN103234945A (zh) * | 2013-03-29 | 2013-08-07 | 合肥美亚光电技术股份有限公司 | 黄曲霉毒素检测及分选装置 |
CN204699963U (zh) * | 2015-03-02 | 2015-10-14 | 青岛农业大学 | 一种具有黄曲霉素检测功能的农产品智能分选机 |
CN105334200A (zh) * | 2015-11-19 | 2016-02-17 | 无锡百奥森科技有限公司 | 一种快速检测黄曲霉毒素浓度的检测仪及其检测方法 |
CN105334199A (zh) * | 2015-11-19 | 2016-02-17 | 无锡百奥森科技有限公司 | 一种在线检测玉米中黄曲霉毒素b1的检测仪及其检测方法 |
CN107328745A (zh) * | 2017-06-16 | 2017-11-07 | 合肥泰禾光电科技股份有限公司 | 一种黄曲霉毒素检测方法和装置 |
JP2020003423A (ja) * | 2018-06-29 | 2020-01-09 | インダストリーネットワーク株式会社 | 種子の品質評価・選別システム |
CN113102291A (zh) * | 2021-04-01 | 2021-07-13 | 合肥泰禾智能科技集团股份有限公司 | 一种黄曲霉毒素检测分选装置及检测分选方法 |
CN113418896A (zh) * | 2021-05-18 | 2021-09-21 | 中国农业大学 | 一种用于在线高通量检测玉米籽粒中黄曲霉毒素的方法 |
Non-Patent Citations (2)
Title |
---|
王叶群 等: "污染黄曲霉毒素花生的检测及分选技术研究进展", 农业工程, vol. 4, no. 6, pages 59 - 63 * |
陈红 等: "霉变花生的计算机视觉识别", 农业机械学报, vol. 39, no. 1, pages 110 - 113 * |
Also Published As
Publication number | Publication date |
---|---|
US11769246B2 (en) | 2023-09-26 |
US20230196543A1 (en) | 2023-06-22 |
WO2022259533A1 (ja) | 2022-12-15 |
JPWO2022259533A1 (zh) | 2022-12-15 |
JP6997495B1 (ja) | 2022-01-17 |
CN115769067B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cubero et al. | Automated systems based on machine vision for inspecting citrus fruits from the field to postharvest—a review | |
CA2685158C (en) | Simultaneous acquisition of fluorescence and reflectance imaging techniques with a single imaging device | |
Mehl et al. | Detection of defects on selected apple cultivars using hyperspectral and multispectral image analysis | |
Lu | Detection of bruises on apples using near–infrared hyperspectral imaging | |
JP5898388B2 (ja) | 食品の品質をスコア付け及び制御するための方法及び装置 | |
Shearer et al. | Color and defect sorting of bell peppers using machine vision | |
Choi et al. | Tomato maturity evaluation using color image analysis | |
US7842896B1 (en) | Apparatus and method for sorting articles | |
US6433293B1 (en) | Method and device for detecting dirt as present on articles, for example eggs | |
US20120116572A1 (en) | Methods and systems for sorting ear corn | |
JP2023529580A (ja) | 物質を検出するための装置 | |
WO2019201786A1 (en) | Optical Inspection and Sorting Machine, and Corresponding Method Thereof | |
Chao et al. | Color image classification systems for poultry viscera inspection | |
JP2002205019A (ja) | 自動選別装置 | |
CN115769067B (zh) | 开心果分选装置 | |
JP2022180641A (ja) | 異物判別方法、加工農作物の製造方法、食品検査装置、及び異物除去システム | |
JP2642107B2 (ja) | 青果物の自動等級判定方法と装置 | |
Guyer et al. | Tissue reflectance and machine vision for automated sweet cherry sorting | |
Nagata et al. | Quality Evaluation of | |
Mehl et al. | Detection of contamination on selected apple cultivars using reflectance hyperspectral and multispectral analysis | |
Throop et al. | Multispectral inspection station detects defects on apples | |
AU2008246096B2 (en) | Simultaneous acquisition of fluorescence and reflectance imaging techniques with a single imaging device | |
Caulton | An investigation into apple inspection in colour space: a thesis presented in fulfilment of the requirements for the degree of Master of Engineering in Industrial Automation at Massey University, Palmerston North, New Zealand | |
Caulton | An investigation into apple inspection in colour space | |
CN115280144A (zh) | 用于处理多个禽蛋的方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |