ITRM20110304A1 - Procedimento automatico, e relativa macchina, per la suddivisione selettiva di prodotti agro-alimentari. - Google Patents
Procedimento automatico, e relativa macchina, per la suddivisione selettiva di prodotti agro-alimentari. Download PDFInfo
- Publication number
- ITRM20110304A1 ITRM20110304A1 IT000304A ITRM20110304A ITRM20110304A1 IT RM20110304 A1 ITRM20110304 A1 IT RM20110304A1 IT 000304 A IT000304 A IT 000304A IT RM20110304 A ITRM20110304 A IT RM20110304A IT RM20110304 A1 ITRM20110304 A1 IT RM20110304A1
- Authority
- IT
- Italy
- Prior art keywords
- image
- agro
- food products
- neural network
- matrix
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 51
- 230000003287 optical effect Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 235000014036 Castanea Nutrition 0.000 description 16
- 241001070941 Castanea Species 0.000 description 16
- 210000004027 cell Anatomy 0.000 description 15
- 235000013399 edible fruits Nutrition 0.000 description 14
- 238000012549 training Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 244000182264 Lucuma nervosa Species 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000003306 harvesting Methods 0.000 description 4
- 244000037795 Pachira macrocarpa Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 244000045947 parasite Species 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 244000144730 Amygdalus persica Species 0.000 description 2
- 244000075850 Avena orientalis Species 0.000 description 2
- 235000007319 Avena orientalis Nutrition 0.000 description 2
- 241000723382 Corylus Species 0.000 description 2
- 235000007466 Corylus avellana Nutrition 0.000 description 2
- 241000219124 Cucurbita maxima Species 0.000 description 2
- 240000002943 Elettaria cardamomum Species 0.000 description 2
- 241000758791 Juglandaceae Species 0.000 description 2
- 235000014647 Lens culinaris subsp culinaris Nutrition 0.000 description 2
- 244000043158 Lens esculenta Species 0.000 description 2
- 241000207836 Olea <angiosperm> Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 240000001090 Papaver somniferum Species 0.000 description 2
- 235000008753 Papaver somniferum Nutrition 0.000 description 2
- 240000004713 Pisum sativum Species 0.000 description 2
- 235000010582 Pisum sativum Nutrition 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 2
- 241001291279 Solanum galapagense Species 0.000 description 2
- 240000000359 Triticum dicoccon Species 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 235000005300 cardamomo Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 235000020971 citrus fruits Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 235000021374 legumes Nutrition 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 235000020234 walnut Nutrition 0.000 description 2
- 244000144725 Amygdalus communis Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000006711 Pistacia vera Species 0.000 description 1
- 235000020224 almond Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005885 boration reaction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000014571 nuts Nutrition 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
-
- 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
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/363—Sorting apparatus characterised by the means used for distribution by means of air
- B07C5/367—Sorting apparatus characterised by the means used for distribution by means of air using a plurality of separation means
Landscapes
- General Preparation And Processing Of Foods (AREA)
- Meat, Egg Or Seafood Products (AREA)
Description
PROCEDIMENTO AUTOMATICO, E RELATIVA MACCHINA, PER LA SUDDIVISIONE SELETTIVA DI PRODOTTI AGRO-ALIMENTARI
La presente invenzione riguarda un procedimento automatico per la suddivisione selettiva di prodotti agro-alimentari che consente in modo affidabile, veloce, versatile, efficiente ed economico di automaticamente selezionare e suddividere in due o più gruppi differenti aventi caratteristiche omogenee i prodotti agro-alimentari sottoposti al procedimento stesso.
La presente invenzione riguarda altresì la macchina e gli strumenti necessari per l’esecuzione del metodo.
A titolo esemplificativo, ma non a titolo limitativo, nel seguito della descrizione si farà principalmente riferimento, quali prodotti agroalimentari, alle castagne. Tuttavia, si deve tenere presente che il procedimento, la macchina e gli strumenti secondo l’invenzione possono essere semplicemente adattati per automaticamente selezionare e suddividere prodotti agro-alimentari di qualsiasi tipo, come ad esempio cereali (e.g. grano, mais, avena, riso), legumi (e.g. lenticchie, piselli), frutta a guscio (e.g. mandorle, noci, nocciole), semi (e.g. di zucca, di cardamomo, di papavero), frutti (e.g. pesche, agrumi, olive), ortaggi (e.g. pomodori), rimanendo sempre neN’ambito di protezione definito dalle rivendicazioni allegate.
E’ noto che tutti i prodotti agro-alimentari, dopo la raccolta, vengono sottoposti a procedimenti di lavorazione che terminano nel loro confezionamento. Tra questi procedimenti, un ruolo particolarmente importante riveste un procedimento di selezione che suddivide i prodotti agroalimentari in differenti gruppi di caratteristiche omogenee allo scopo di indirizzare ogni gruppo a successivi specifici procedimenti di lavorazione.
A titolo esemplificativo, le castagne, dopo la raccolta, sono sottoposte a procedimenti di essiccazione, calibratura (consistente in una selezione sulla base delle dimensioni delle castagne), selezione e confezionamento svolti all’interno di stabilimenti industriali.
In particolare, il procedimento di selezione viene effettuato sulla base delle caratteristiche esterne delle castagne, ed è essenziale per indirizzare in maniera opportuna il prodotto verso le successive fasi di lavorazione. In maggiore dettaglio, i gruppi nei quali vengono suddivise le castagne possono essere i seguenti (tale suddivisione, sebbene usuale, è solo esemplificativa e non limitativa):
a) GRUPPO 1 : prodotti buoni, i.e. frutti esenti da difetti (marciume e/o parassiti), non spaccati e che risultano privi sia della buccia esterna che della pellicina interna;
b) GRUPPO 2: prodotti ancora racchiusi nella loro buccia esterna, i.e.
frutti che risultano essere ancora racchiusi nella loro buccia esterna dal caratteristico colore marrone scuro;
c) GRUPPO 3: prodotti con pellicina interna, i.e. frutti privi della buccia esterna che sono ancora racchiusi dalla pellicina interna dal caratteristico colore rossiccio;
d) GRUPPO 4: prodotti non buoni, i.e. frutti che presentano difetti quali marcio oppure presentano segni di attacco da parassiti;
e) GRUPPO 5: prodotti spaccati, i.e. frutti che risultano privi sia di buccia esterna che di pellicina interna e che sono stati spaccati dalle precedenti fasi di calibratura, ma che non risultano affetti né da marciume né da parassiti;
f) GRUPPO 6: prodotti morbidi, i.e. frutti che presentano una colorazione caratteristica e che risultano non perfettamente essiccati dalla precedente fase di lavorazione di essicazione.
Per lo più, il procedimento di selezione delle castagne viene attualmente effettuato manualmente da operai che analizzano una ad una le castagne per valutarne le caratteristiche.
Inoltre, esistono attualmente sul mercato delle macchine selezionatrici basate su una analisi ottica di prodotti agro-alimentari, incluse le castagne, come ad esempio la macchina denominata Full Color Belt Sorter, disponibile dall’azienda Satake Corporation, corrispondente all’apparato descritto nella domanda di brevetto Europeo EP 1 314 489 A2, schematicamente mostrata in Figura 1. Tale macchina 100 comprende un nastro trasportatore 101 su cui vengono depositate le castagne attraverso una tramoggia 102. Il nastro trasportatore 101 porta successivamente i frutti in corrispondenza di un sistema ottico 103 di acquisizione a videocamere, che discrimina le castagne in base a parametri ottici predeterminati (i.e. stabiliti in fase di progettazione della macchina 100); in particolare, l’analisi effettuata dal sistema ottico 103 necessita di un algoritmo di tracciamento o tracking dei frutti trasportati dal nastro trasportatore 101. A seguire, al termine del cammino sul nastro 101 , i frutti passano, durante la loro caduta per gravità, al di sotto di un assieme 104 di attuatori pneumatici, comprendenti una pluralità di ugelli ad aria compressa, controllati dal sistema ottico 103 per deviare la caduta dei frutti fra due possibili cestelli: i frutti deviati daN’assieme 104 cadono in un primo cestello 105 adiacente al nastro 101 , mentre quelli non deviati (ed il cui punto di caduta è dunque stabilito solo dalla velocità del nastro 101 e dalla gravità) cadono in un secondo cestello 106 adiacente al primo cestello 105. Al termine del passaggio nella macchina 100 di un intero carico di castagne da selezionare, si ottiene la suddivisione in soli due distinti gruppi. Di conseguenza, il carico di castagne da selezionare deve essere sottoposto a più passaggi nella macchina 100 per giungere ad una suddivisione finale in un numero di gruppo maggiore di due (e.g. nei sei gruppi precedentemente elencati); a tale scopo, la macchina selezionatrice 100 necessita di una ricalibrazione manuale del sistema ottico 103 (che consiste nella sostituzione di illuminatori) prima di ripetere l’operazione per ognuno dei due gruppi ottenuti, giungendo progressivamente aN’ottenimento della suddivisione finale.
Le macchine selezionatrici attualmente disponibili soffrono di alcuni inconvenienti che ne riducono grandemente la velocità di lavorazione e l’affidabilità della selezione, in cui è presente una incidenza di errori pari a circa il 10% del quantitativo totale di prodotti agro-alimentari selezionati.
Innanzitutto, esse operano per approssimazioni successive, richiedendo una pluralità di passaggi di uno stesso carico di prodotti agroalimentari (e.g. castagne) che comporta un allungamento dei tempi necessari per giungere alla suddivisione finale dei prodotti stessi.
Inoltre, le attuali macchine selezionatrici funzionano sulla base di una analisi delle caratteristiche visive dei prodotti agro-alimentari che non tiene conto delle naturali, seppur minime, variazioni annuali delle caratteristiche ottiche del prodotto, dipendenti anche dall’epoca di raccolta. Infatti, tali macchine della tecnica anteriore lavorano sulla base di parametri ottici stabiliti in fase di progettazione e, di conseguenza, sono costrette ad operare all’interno di limiti predeterminati e non possono adeguarsi alle immancabili variazioni (stagionali) dei prodotti agro-alimentari da selezionare.
Ancora, gli algoritmi utilizzati dalle macchine attualmente disponibili sono computazionalmente complessi. In proposito, l’indispensabile algoritmo di tracking introduce inevitabilmente degli errori di selezione.
Ulteriormente, la presenza dei nastri trasportatori e dell’assieme 104 di attuatori pneumatici determina una inevitabile imprecisione meccanica della selezione e conseguenti errori di classificazione, e.g. dovuti a differenze di traiettoria di caduta dei frutti in base al peso e/o ad un allineamento non perfetto del prodotto agro-alimentare da deviare con l’ugello ad esso più vicino e/o ad un ritardo di attuazione degli ugelli pneumatici con conseguente possibilità di deviazione erroneamente effettuata su più di un prodotto agro-alimentare (invece che su un singolo prodotto). In particolare, tali errori sono amplificati dalla necessità di effettuare passaggi multipli degli stessi prodotti agro-alimentari da suddividere.
Lo scopo della presente invenzione è, pertanto, quello di consentire, in modo affidabile, veloce, versatile, efficiente ed economico di automaticamente selezionare e suddividere in due o più gruppi differenti aventi caratteristiche omogenee prodotti agro-alimentari.
Forma oggetto specifico della presente invenzione un procedimento automatico per la suddivisione selettiva di prodotti agro-alimentari in due o più gruppi differenti, comprendente le seguenti fasi:
A. acquisire almeno una immagine di una pluralità di prodotti agroalimentari,
B. controllare una pluralità di attuatori per suddividere fisicamente i prodotti agro-alimentari della pluralità di cui è stata acquisita detta almeno una immagine nella fase A in detti due o più gruppi differenti,
il procedimento essendo caratterizzato dal fatto di comprendere altresì, dopo la fase A e prima della fase B, le seguenti fasi:
C. estrarre una o più caratteristiche ottiche di detta almeno una immagine,
D. generare un insieme di dati - Data Set - di ingresso di detta almeno una immagine,
E. elaborare il Data Set di ingresso mediante una rete neurale per ottenere un insieme di dati di uscita corrispondente al Data Set di ingresso,
per cui la fase B controlla detta pluralità di attuatori sulla base dell'insieme di dati di uscita.
Sempre secondo l’invenzione, il procedimento può comprendere altresì, prima della fase C di estrazione di dette una o più caratteristiche ottiche, la seguente fase:
F. individuare una o più aree di detta almeno una immagine che includono detta pluralità di prodotti agro-alimentari,
per cui la fase C estrae dette una o più caratteristiche ottiche da dette una o più aree di detta almeno una immagine, la fase F comprendendo preferibilmente una procedura selezionata dal gruppo comprendente:
- una segmentazione di detta almeno una immagine, più preferibilmente selezionata nel gruppo comprendente accrescimento (o Growing), suddivisione e unione (o Split and Merge), e analisi di gruppi (o Clustering),
- una fase di rilevazione dei bordi (o edge detection) di detta pluralità di prodotti agro-alimentari, e
- nel caso in cui detta almeno una immagine sia un’immagine a colori rappresentata secondo un modello selezionato dal gruppo comprendente il modello RGB (rosso, verde, blu), il modello HSI (tonalità, saturazione, intensità), HSB (tonalità, saturazione, luminosità), e HSV (tonalità, saturazione, valore), un filtraggio selettivo, più preferibilmente tramite una maschera sui ognuno dei tre canali del modello di rappresentazione.
Ancora secondo l’invenzione, la rete neurale può essere selezionata dal gruppo comprendente:
- una rete neurale con apprendimento supervisionato, preferibilmente di tipo backpropagation,
- una rete neurale non supervisionata, preferibilmente autoorganizzante,
- una rete neurale di Kohonen,
- una rete neurale con apprendimento per rinforzo (reinforcement learning), ed
- una rete neurale con apprendimento hebbiano.
Ulteriormente secondo l’invenzione, dette una o più caratteristiche ottiche di detta almeno una immagine possono comprendere una o più caratteristiche di almeno un segnale ottico componente detta almeno una immagine selezionate dal gruppo comprendente:
- un valore minimo,
- un valore massimo,
- un valore iniziale,
- un’ampiezza di un intervallo di detto almeno un segnale ottico componente,
- un valore medio, ed
- una deviazione standard.
Sempre secondo l’invenzione, detta almeno una immagine può essere almeno un’immagine a colori, preferibilmente rappresentata secondo un modello selezionato dal gruppo comprendente il modello RGB (rosso, verde, blu), il modello HSI (tonalità, saturazione, intensità), HSB (tonalità, saturazione, luminosità), e HSV (tonalità, saturazione, valore), dette una o più caratteristiche ottiche di detta almeno una immagine comprendendo preferibilmente:
- dimensioni percentuali di almeno una zona uniforme di detta almeno una immagine avente almeno un colore.
Forma ancora oggetto specifico della presente invenzione una macchina per la suddivisione selettiva di prodotti agro-alimentari, comprendente un banco provvisto superiormente di una o più posizioni operative, su cui una pluralità di matrici è mobile tramite mezzi di spostamento a passi in modo tale che ogni matrice assuma ognuna di dette una o più posizioni operative, ogni matrice essendo provvista di una pluralità di celle ognuna delle quali è atta ad ospitare un unico prodotto agro-alimentare, ogni cella essendo dotata di un attuatore controllabile, almeno una posizione operativa essendo provvista di un apparato elettro-pneumatico atto ad interagire con ognuno degli attuatori controllabili delle celle di una matrice che si trova in detta almeno una posizione operativa in modo tale da far cadere un prodotto agro-alimentare ospitato dalla rispettiva cella in un apparato di raccolta corrispondente a detta almeno una posizione operativa, la macchina comprendendo almeno un apparato di elaborazione e controllo per controllare detto apparato elettro-pneumatico, detto almeno un apparato di elaborazione e controllo essendo provvisto di almeno un dispositivo ottico di acquisizione di immagini, per acquisire almeno una immagine di almeno una matrice, collegato ad una unità di elaborazione e controllo, detta unità di elaborazione essendo atta ad eseguire il procedimento automatico per la suddivisione selettiva di prodotti agro-alimentari in due o più gruppi differenti come precedentemente descritto.
Sempre secondo l’invenzione, detta unità di elaborazione può memorizzare una pluralità di insiemi di dati di uscita in numero pari al numero di detti due o più gruppi differenti in cui i prodotti agro-alimentari vengono selettivamente suddivisi.
Ancora secondo l’invenzione, la macchina può comprendere mezzi meccanici di riempimento di una matrice, che si trova preferibilmente in una posizione operativa iniziale, con una pluralità di prodotti agroalimentari, detto almeno un apparato di elaborazione e controllo controllando detti mezzi meccanici di riempimento, detti mezzi meccanici di riempimento comprendendo preferibilmente una tramoggia, detti mezzi meccanici di riempimento comprendendo più preferibilmente almeno un dispositivo di posizionamento che persino più preferibilmente include un dispositivo a spazzola mobile e/o un dispositivo pneumatico a getto d’aria compressa.
Ulteriormente secondo l’invenzione, detto almeno un dispositivo ottico di acquisizione di immagini può comprendere almeno una camera CCD.
Sempre secondo l’invenzione, detto apparato di raccolta corrispondente a detta almeno una posizione operativa può comprendere almeno una botola di uscita ed almeno un rispettivo cesto, detto apparato di raccolta preferibilmente comprendendo altresì mezzi meccanici in grado di far uscire prodotti agro-alimentari da botole di uscite distinte, più preferibilmente comprendenti piani inclinabili in almeno due inclinazioni sottostanti ad una matrice che si trova in detta almeno una posizione operativa.
Ancora secondo l’invenzione, la macchina può comprendere altresì, per almeno una posizione operativa, mezzi meccanici atti a far ruotare i prodotti agro-alimentari all’interno delle rispettive celle, preferibilmente comprendenti mezzi a getto d’aria.
Forma ulteriore oggetto specifico della presente invenzione un programma per elaboratore, comprendente mezzi a codice atti ad eseguire, quando operano su mezzi di elaborazione, il procedimento automatico per la suddivisione selettiva di prodotti agro-alimentari in due o più gruppi differenti come precedentemente descritto.
Forma inoltre oggetto specifico della presente invenzione un supporto di memoria leggibile da un elaboratore, avente un programma memorizzato su di esso, caratterizzato dal fatto che il programma è il programma per elaboratore sopra specificato.
Il procedimento automatico (e la relativa macchina) secondo l’invenzione si basa sull’uso di una rete neurale, preferibilmente con apprendimento supervisionato, più preferibilmente di tipo backpropagation, per effettuare la selezione di prodotti agro-alimentari in due o più gruppi differenti aventi caratteristiche omogenee.
L’utilizzo di una rete neurale e la corretta esecuzione di una estrazione di caratteristiche ottiche, anche detta “feature extraction”, permette l’ottenimento di elevate prestazioni in termini di velocità, affidabilità, e versatilità della selezione automatica, riducendo drasticamente gli errori di selezione.
Inoltre, sempre grazie all’utilizzo di una rete neurale, il procedimento automatico (e la relativa macchina) secondo l’invenzione, oltre ad essere estremamente veloce, risulta estremamente versatile, consentendo una intrinseca adattabilità alle variazioni naturali delle caratteristiche dei prodotti agro-alimentari (e.g. dovute alla loro variabilità stagionale o dell’epoca di raccolta).
Ulteriormente, il procedimento automatico (e la relativa macchina) secondo l’invenzione consente di effettuare la selezione e la suddivisione dei prodotti agro-alimentari in tutti i gruppi (e.g. i sei gruppi sopra elencati nel caso delle castagne) in maniera simultanea, per cui la selezione e suddivisione non necessitano di molteplici passaggi successivi, come nel caso delle macchine selezionatrici della tecnica precedente. Di conseguenza, il procedimento automatico (e la relativa macchina) secondo l’invenzione è in grado di effettuare, a parità di tempo, la classificazione di un quantitativo nettamente maggiore di prodotti agro-alimentari rispetto alle macchine della tecnica anteriore.
Inoltre, non risulta più necessario effettuare un tracking dei prodotti agro-alimentari in quanto essi risultano staticamente disposti in celle di una matrice e non trasportati da un nastro trasportatore, eliminando così del tutto gli errori introdotti dall’algoritmo di tracking.
La presente invenzione verrà ora descritta, a titolo illustrativo, ma non limitativo, secondo sue preferite forme di realizzazione, con particolare riferimento alle Figure dei disegni allegati, in cui:
la Figura 1 mostra schematicamente una macchina selezionatrice secondo la tecnica anteriore;
la Figura 2 mostra schematicamente una rete neurale utilizzata da una preferita forma di realizzazione del procedimento automatico secondo l’invenzione;
la Figura 3 mostra schematicamente le modalità di funzionamento della rete neurale di Figura 2;
la Figura 4 mostra schematicamente le fasi di generazione di un insieme di dati - o Data Set - della preferita forma di realizzazione del procedimento automatico secondo l’invenzione; e
la Figura 5 mostra schematicamente una preferita forma di realizzazione della macchina secondo l’invenzione.
Nelle Figure numeri di riferimento identici saranno utilizzati per elementi analoghi.
La Figura 2 mostra schematicamente una rete neurale 200 utilizzata da una preferita forma di realizzazione del procedimento automatico secondo l’invenzione, comprendente: uno strato 201 di ingresso di tre neuroni 201’ di ingresso; uno strato intermedio 202 di cinque neuroni nascosti 202’; ed uno strato 203 di uscita di quattro neuroni 203’ di uscita. In Figura 2 è altresì illustrato un insieme 204 di dati (anche detto Data Set) che viene fornito in ingresso alla rete neurale 200 e che produce un insieme 205 di dati di uscita che fornisce la classificazione corrispondente al Data Set di ingresso 204.
La rete neurale 200 è una rete con apprendimento supervisionato del cosiddetto tipo “backpropagation”. In particolare, l’algoritmo di apprendimento di tipo backpropagation comprende le seguenti fasi:
i) avere a disposizione tutto un data set 204 di ingresso di apprendimento ed i corrispondenti dati 205 di uscita, che costituiscono i dati di uscita attesi;
ii) stabilire in maniera casuale i pesi iniziali dei collegamenti fra tutti i neuroni 201’, 202’, e 203’;
iii) fornire in ingresso alla rete neurale 200 tutto il data set 204 di apprendimento;
iv) calcolare le differenze fra i dati 205 di uscita ottenuti nella fase iii) e quelli attesi;
v) correggere i pesi dei collegamenti sulla base delle differenze calcolate nella fase iv); e
vi) calcolare l’errore quadratico medio sui dati 205 di uscita ottenuti nella fase iii) rispetto ai dati di uscita attesi.
L’addestramento procede ripartendo dalla fase iii) finché l’errore quadratico medio calcolato nella fase vi) non risulta accettabile, ovvero inferiore ad una soglia massima, oppure quando la fase vi) riconosce la presenza di un minimo locale dell’errore quadratico medio. Infatti, come è noto, l’addestramento non sempre termina quando l’errore è accettabile, poiché è possibile che si verifichi una condizione di cosiddetto minimo locale dalla quale non è possibile uscire; tale condizione viene detta condizione di overtraining. In questi casi, non sarebbe possibile ottenere una configurazione ottimale di pesi, in quanto non si è raggiunto un minimo assoluto della superficie di errore; in particolare, se una rete neurale va in overtraining, essa finisce per riconoscere e classificare solo il data set 204 di ingresso proposto in fase di addestramento, perdendo la capacità di generalizzazione, cioè di stabilità a fluttuazioni delle condizioni al contorno. Per evitare tale condizione di overtraining, vengono ripetute le fasi deN’addestramento a partire dalla fase ii) della iniziale assegnazione casuale dei pesi dei collegamenti fra tutti i neuroni, che permette aN’addestramento di deviare verso altre zone della superficie di errore, consentendo di ottenere configurazioni migliori dei pesi ed evitando il cosiddetto overtraining.
Altre forme di realizzazione del procedimento secondo l’invenzione possono utilizzare un differente numero di strati e/o neuroni rispetto a quelli mostrati in Figura 2.
Inoltre, altre forme di realizzazione del procedimento secondo l’invenzione possono utilizzare tipologie di rete neurale differenti da quella illustrata con riferimento alla Figura 2, come ad esempio: una rete neurale non supervisionata, preferibilmente auto-organizzante; di Kohonen; con apprendimento per rinforzo (reinforcement learning) o con apprendimento hebbiano.
La Figura 3 mostra schematicamente le modalità di funzionamento della rete neurale di Figura 2, in cui è mostrata la necessaria preliminare fase 301 di apprendimento, durante la quale la rete neurale si predispone autonomamente per poter riconoscere le caratteristiche distintive dei gruppi di prodotti agro-alimentari da classificare. Come detto, al termine di questa fase preliminare 301 , la rete neurale esegue una fase 302 di salvataggio della configurazione ottima dei pesi, ovvero delle matrici dei pesi, che ha determinato.
Una volta terminato l’apprendimento, la rete neurale è in grado di effettuare la classificazione automatica dei prodotti agro-alimentari mediante la fase operativa 303 in cui il Data Set 204 viene fornito alla rete neurale, configurata mediante le matrici dei pesi salvate al termine deN’apprendimento, per ottenere un insieme 205 di dati di uscita corrispondente al Data Set 204. Successivamente, il procedimento esegue una fase 304 di (generazione di segnali di) controllo di attuatori della macchina per la suddivisione fisica dei prodotti agro-alimentari così classificati, come verrà illustrato in maggiore dettaglio più avanti con riferimento alla Figura 5.
In particolare, la classificazione 205 viene ottenuta nella fase operativa 303 in tempi brevissimi, grazie alla semplicità computazionale dell’algoritmo, poiché la classificazione effettuata dalla rete neurale necessita solo di operazioni aritmetiche elementari, in particolare somme pesate per i diversi nodi della rete stessa.
Come mostrato in Figura 3, le due modalità di funzionamento della rete neurale, i.e. fase 301 di apprendimento e fase operativa 303, sono discriminate in una fase 305, che può essere impostata da un segnale di ingresso fornito da un operatore.
Per entrambe le modalità di funzionamento, è necessaria una preliminare elaborazione del segnale ottico acquisito da dispositivi ottici per creare il Data Set 204 che viene fornito in ingresso alla rete neurale 200. Preferibilmente, i dispositivi ottici acquisiscono immagini a colori, più preferibilmente immagini rappresentate secondo un modello selezionato dal gruppo comprendente il modello RGB (rosso, verde, blu), il modello FISI (tonalità, saturazione, intensità), FISB (tonalità, saturazione, luminosità), e FISV (tonalità, saturazione, valore); ancora più preferibilmente, i dispositivi ottici sono camere CCD.
Con riferimento alla Figura 4, si può osservare che tale preliminare elaborazione delle immagini, acquisite in una fase 402 di acquisizione (successiva a due fasi convenzionali 400 e 401 di controllo dell’avvio della macchina e dei dispositivi ottici di acquisizione, rispettivamente), comprende le seguenti fasi per ogni immagine:
I) una segmentazione 403 dell’immagine acquisita;
II) una estrazione 404 delle caratteristiche ottiche dell’immagine (Feature extraction); e
III) una generazione 405 del Data Set 204 corrispondente all’immagine.
In particolare, si deve tenere presente che una singola immagine contiene preferibilmente una pluralità di prodotti agro-alimentari, per cui il Data Set 204 contiene le caratteristiche ottiche dell’intera pluralità e consente alla rete neurale 200 di classificare simultaneamente tutti i prodotti agro-alimentari della pluralità contenuta nell’immagine. In proposito, si deve considerare che la rete neurale può elaborare le caratteristiche ottiche di un prodotto agro-alimentare per volta (il Data Set 204 è in generale una matrice di vettori, ognuno dei quali contiene l’insieme di caratteristiche ottiche di un singolo prodotto estratte dall’immagine), determinandone la classificazione; tuttavia, la rete neurale può moltiplicare i propri nodi per elaborare il Data Set a gruppi, i.e. elaborando le caratteristiche ottiche di gruppi di due o più prodotti agro-alimentari (ad esempio, una intera riga della matrice di vettori), oppure tutta la matrice contemporaneamente. In ogni caso, la rete neurale, anche se esegue l’elaborazione un elemento alla volta della matrice di vettori che forma il Data Set 204, è in grado di elaborare in tempo reale un’unica immagine per classificarne simultaneamente tutti i prodotti agro-alimentari della pluralità contenuta nell’immagine, ovvero senza bisogno di eseguire una procedura di classificazione per approssimazioni successive, con acquisizione di due o più immagini successive, come nella tecnica anteriore.
La fase I) di segmentazione 403 ha lo scopo di identificare delle aree dell’immagine che sono le sole aventi interesse per l’estrazione delle informazioni necessarie alla successiva classificazione; in particolare, il procedimento automatico secondo l’invenzione può utilizzare uno qualsiasi degli approcci noti di segmentazione, quali, ad esempio:
- l’accrescimento (o Growing),
- la suddivisione e unione (o Split and Merge), e
- l’analisi dei gruppi (o Clustering).
Alternativamente, la fase I) può essere sostituita da una differente procedura di individuazione delle aree di interesse deN’immagine; a titolo esemplificativo, ma non limitativo, nel caso di una immagine a colori RGB, HSI, HSB o HSV, tale procedura potrebbe comprendere un filtraggio selettivo (tramite una maschera) sui tre canali RGB, HSI, HSB o HSV.
Inoltre, per il procedimento secondo l’invenzione, l’obiettivo della segmentazione è quello di individuare l’area deN’immagine che include i prodotti agro-alimentari da classificare, delimitandone con esattezza i margini. A tal fine, il procedimento secondo l’invenzione può vantaggiosamente utilizzare anche un algoritmo di rilevazione dei bordi (o edge detection).
La fase III) di generazione 405 del Data Set 204 consente la corretta classificazione dei prodotti agro-alimentari. Preferibilmente, le caratteristiche ottiche estratte nella fase II) comprendono caratteristiche “standard” (delle aree di interesse individuate) di una immagine a colori e caratteristiche “ad hoc”, dipendenti, in particolare, dal tipo di prodotto agroalimentare. Preferibilmente, le caratteristiche “standard” comprendono, per ognuno dei tre canali di codifica deN’immagine a colori RGB, HSI, HSB o HSV, le seguenti:
- valore minimo,
- valore massimo,
- valore iniziale,
- ampiezza dell’intervallo,
- valore medio, e
- deviazione standard.
Nel caso di immagini a colori di tipo differente dalle immagini RGB, HSI, HSB o HSV, o nel caso di immagini in bianco e nero, i valori sopra elencati possono essere riferiti ad uno dei segnali ottici componenti la specifica immagine considerata.
Nel caso in cui i prodotti agro-alimentari siano castagne, classificabili nei sei gruppi elencati in precedenza, le caratteristiche “ad hoc” comprendono preferibilmente le seguenti:
- dimensioni percentuali di una zona uniforme e di colore “rossiccio” indicante la presenza di buccia interna (GRUPPO 3);
- dimensioni percentuali di una zona uniforme e di colore chiaro indicante la presenza di spaccatura del frutto (GRUPPO 5).
Nella fase 301 di addestramento (mostrata in Figura 3) il Data Set 204 di ingresso viene fornito alla rete neurale 200 già classificato e serve per l’autoapprendimento della caratteristiche omogenee distintive dei vari gruppi in cui devono essere classificati i prodotti agro-alimentari.
Nella fase operativa 303 (mostrata in Figura 3) il Data Set 204 di ingresso costituisce il vero e proprio ingresso oggetto della classificazione. La rete neurale 200 è a questo punto in grado di produrre un risultato della classificazione, ovvero l’insieme 205 di dati di uscita, la cui affidabilità dipende ovviamente dalla feature extraction 404 e dalla corretta esecuzione della fase 301 di addestramento.
Con riferimento alla Figura 5, si può osservare che una preferita forma di realizzazione della macchina secondo l’invenzione, che esegue il procedimento secondo l’invenzione, comprende un banco 500 provvisto superiormente di un insieme di posizioni operative su cui una pluralità di matrici (in Figura 5 indicate con i numeri di riferimento 501 -507) è mobile tramite mezzi di spostamento a passi, per cui ogni matrice resta ferma in una posizione operativa specifica prima di spostarsi alla successiva (sebbene non mostrato in Figura 5, preferibilmente, le matrici scorrono supe riormente al banco 500 nelle varie posizioni operative e ritornano alla posizione operativa iniziale passando al di sotto del banco 500). In Figura 5, la macchina si riferisce ad una applicazione di classificazione di castagne in sei gruppi, ed il numero di posizioni operative che può assumere ogni matrice è pari al numero di gruppi di classificazione più uno, i.e. sette posizioni.
Ogni matrice è provvista di una pluralità di celle 510 di dimensioni fisiche tali che ognuna di tali celle 510 possa ospitare un unico prodotto agro-alimentare. Ogni cella 510 è dotata di un attuatore (non mostrato) per poter agire indipendentemente dagli altri attuatori delle altre celle 510 della matrice, in qualsiasi istante, per far cadere il prodotto agro-alimentare ospitato al di sotto ove sarà presente un apparato di raccolta per ogni matrice (schematizzato, per ogni posizione operativa del banco 500, da una rispettiva botola 520-525 e da un rispettivo cesto 530-535). Vantaggiosamente, l’attuatore interagisce con un apparato elettro-pneumatico provvisto in ognuna delle posizioni operative del banco 500 successive a quella iniziale (che è destinata al solo riempimento delle matrici).
Una tramoggia 540 consente il riempimento delle celle 510 della matrice 501 che si trova nella posizione operativa iniziale con i prodotti agro-alimentari da classificare. Vantaggiosamente, un dispositivo di posizionamento (non mostrato), come ad esempio un dispositivo a spazzola mobile e/o un dispositivo pneumatico a getto d’aria compressa, aiuta il corretto posizionamento dei prodotti agro-alimentari nelle celle 510.
Un apparato 550 di acquisizione ottica delle immagini e di elaborazione e controllo dell’apparato elettro-pneumatico è posizionato al di sopra della seconda posizione operativa, ed è provvisto di un dispositivo ottico 551 di acquisizione, preferibilmente comprendente almeno una camera CCD (e.g., una DFW-X700 disponibile dalla Sony,), collegato ad una unità di elaborazione, preferibilmente comprendente un microprocessore provvisto di memorie e interfacce ingresso/uscita (per il collegamento con l’apparato elettro-pneumatico del banco 500, con l’apparato di raccolta, e con gli apparati di controllo delle movimentazioni della tramoggia 540 e del banco 500).
Nel seguito viene descritto il funzionamento della macchina di Figura 5. Si deve tenere presente che ad ogni fase di lavorazione tutte le matrici sono contemporaneamente sottoposte in successione ad uno dei passaggi descritti. In dettaglio, il funzionamento della macchina comprende i seguenti passaggi:
a) una prima matrice, nella posizione operativa iniziale (corrispondente alla matrice indicata con il numero di riferimento 501 ) viene riempita di prodotti agro-alimentari (e.g. castagne) dalla tramoggia 540; b) viene effettuato un avanzamento delle matrici di una posizione operativa, per cui la prima matrice si ferma in corrispondenza della seconda posizione operativa (corrispondente alla matrice indicata con il numero di riferimento 502) sottostante al dispositivo ottico 551 di acquisizione, che acquisisce l’immagine e la invia all’apparato 550 che la elabora tramite rete neurale; allo stesso tempo una seconda matrice (che segue la prima) è sottoposta all’operazione a) di riempimento sotto la tramoggia 540; l’elaborazione effettuata dall’apparato 550 produce i risultati di classificazione per la prima matrice e l’apparato elettro-pneumatico corrispondente alla posizione operativa della prima matrice viene controllato per effettuare lo scarico dei prodotti agro-alimentari classificati come appartenenti al gruppo del cesto 530 corrispondente alla seconda posizione operativa (GRUPPO 1 );
c) viene effettuato un avanzamento delle matrici di una posizione operativa, per cui la prima matrice si ferma in corrispondenza della seconda posizione operativa (corrispondente alla matrice indicata con il numero di riferimento 503) e l’apparato elettro-pneumatico corrispondente alla posizione operativa della prima matrice viene controllato per effettuare lo scarico dei prodotti agro-alimentari classificati come appartenenti al gruppo del cesto 531 corrispondente alla terza posizione operativa (GRUPPO 2); il dispositivo ottico 551 acquisisce rimmagine della seconda matrice; una terza matrice (che segue la seconda) è sottoposta all’operazione a) di riempimento sotto la tramoggia 540;
d) viene effettuato un avanzamento delle matrici di una posizione operativa ed le operazioni si ripetono in modo che le matrici si trovano sempre, ad ogni avanzamento, nella posizione operativa di riempimento od in una posizione operativa (502-507) corrispondente allo scarico dei prodotti agro-alimentari classificati come appartenenti al gruppo di un cesto (530-535) corrispondente ad una posizione operativa variabile dalla seconda alla settima posizione operativa (GRUPPO 1 -GRUPPO 6).
Quanto sopra comporta che l’apparato 550 debba mantenere memoria dei dati di uscita (i.e. di classificazione) di un numero di matrici corrispondente al numero di gruppi in cui devono essere classificati i prodotti agro-alimentari (nell’esempio di Figura 5 deve mantenere memoria di sei matrici), in modo da poter effettuare uno scarico per ogni gruppo.
Pertanto, la macchina di Figura 5 permette la classificazione di prodotti agro-alimentari ospitati da una intera matrice composta da una pluralità di celle 510 in un tempo corrispondente a quello necessario per l’avanzamento delle matrici sul banco 500 (a meno di un tempo di latenza iniziale necessario al riempimento di un primo numero di matrici pari al numero di gruppi in cui devono essere classificati i prodotti agroalimentari).
Altre forme di realizzazione del procedimento (e della relativa macchina) secondo l’invenzione possono includere, oltre i gruppi in cui devono essere classificati i prodotti agro-alimentari, un gruppo aggiuntivo per quei prodotti che, a causa di una identificazione non sufficientemente “certa”, non possono essere ritenuti appartenenti a nessuno dei gruppi di classificazione. In questi casi, può essere vantaggioso destinare questi prodotti agro-alimentari ad una scelta a parte in modo da poterli eventualmente successivamente ri-analizzare.
Altre forme di realizzazione della macchina secondo l’invenzione tengono in considerazione il limite fisico costituito dalla impossibilità di analizzare contemporaneamente l’intera superficie del frutto. In una immagine acquisita risulta visibile una superficie di poco superiore al 50% del totale. Questo limite deve essere tenuto in considerazione solo a valle della scelta effettuata per quei prodotti ritenuti “buoni” (e.g., nel caso delle castagne quelle appartenenti al GRUPPO 1). Questo perché solo in quel caso ha importanza la possibile presenza, sul lato non analizzato, di un difetto. A tale scopo, tali forme di realizzazione della macchina secondo l’invenzione adottano un getto d’aria all’interno degli alloggiamenti della matrice che, successivamente alla prima acquisizione, generi un “salto” del frutto il quale consenta, con una certa probabilità, una rotazione dello stesso e ne permetta una successiva analisi del lato opposto. Tale analisi successiva potrebbe essere effettuata introducendo un ritardo minimo nella classificazione in quanto consiste solo in una ulteriore acquisizione ed analisi successive al getto d’aria.
Altre modalità di uso della macchina secondo l’invenzione possono sottoporre ad una ulteriore analisi quei frutti ritenuti “buoni” per effettuare una analisi che, con una probabilità del 50%, riguardi la faccia opposta.
Si deve tenere presente che il numero di posizioni operative che possono essere assunte da ogni matrice (e di conseguenza il numero di matrici) della macchina secondo l’invenzione può anche essere differente, maggiore o minore, da quello illustrato con riferimento alla Figura 5, in funzione delle specifiche applicazioni e degli specifici mezzi meccanici di movimentazione. A titolo esemplificativo, il numero di posizioni può essere maggiore se la posizione corrispondente all’acquisizione dell’immagine non viene utilizzata anche per la separazione di un primo gruppo di prodotti agro-alimentari. Ulteriormente, il numero di posizioni può essere minore nel caso in cui ogni posizione sia provvista di mezzi meccanici in grado di far uscire i prodotti agro-alimentari da uscite distinte, come ad esempio nel caso di un piano sottostante alla matrice ed inclinabile con almeno due inclinazioni per far scorrere i prodotti agro-alimentari verso due uscite separate (ad esempio, sui due lati opposti del banco 500). Analogamente, il numero di stazioni ottiche di acquisizione deN’immagine può essere maggiore di uno, ad esempio consentendo la presenza di stazioni ottiche con caratteristiche differenti e corrispondenti elaborazioni a rete neurale su differenti insiemi di caratteristiche estratte.
Come detto, il procedimento (e la relativa macchina) secondo l’invenzione può essere applicato a qualsiasi tipo di prodotti agroalimentari, come ad esempio cereali (e.g. grano, mais, avena, riso), legumi (e.g. lenticchie, piselli), frutta a guscio (e.g. castagne, mandorle, noci, nocciole), semi (e.g. di zucca, di cardamomo, di papavero), frutti (e.g. pesche, agrumi, olive), ortaggi (e.g. pomodori), rimanendo sempre neN’ambito di protezione definito dalle rivendicazioni allegate.
Si deve tenere presente che il procedimento (e la relativa macchina) di selezione e suddivisione automatica secondo l’invenzione, grazie alla possibilità di estrarre qualsiasi caratteristica dalle immagini dei prodotti agro-alimentari, può essere utilizzato anche per selezionare e suddividere i prodotti solo sulla base delle sole caratteristiche dimensionali di questi, ovvero in sostituzione delle tradizionali macchine calibratrici meccaniche. Ciò consente vantaggiosamente di integrare, almeno parzialmente, i due procedimenti di lavorazione di calibratura e classificazione. Ovviamente, sarebbe necessario tenere conto dei limiti dimensionali imposti dalle celle 510 delle matrici ognuna delle quali deve essere in grado di ospitare un solo prodotto agro-alimentare; in tal caso, sarebbe comunque possibile calibrare correttamente per dimensione prodotti agro-alimentari aventi dimensioni entro margini fisici imposti dalla affidabilità del posizionamento singolo dei prodotti nelle celle.
In quel che precede sono state descritte le preferite forme di realizzazione e sono state suggerite delle varianti della presente invenzione, ma è da intendersi che gli esperti del ramo potranno apportare modificazioni e cambiamenti senza con ciò uscire dal relativo ambito di protezione, come definito dalle rivendicazioni allegate.
Claims (13)
- RIVENDICAZIONI 1. Procedimento automatico per la suddivisione selettiva di prodotti agro-alimentari in due o più gruppi differenti, comprendente le seguenti fasi: A. acquisire (402) almeno una immagine di una pluralità di prodotti agro-alimentari, B. controllare (304) una pluralità di attuatori per suddividere fisicamente i prodotti agro-alimentari della pluralità di cui è stata acquisita detta almeno una immagine nella fase A in detti due o più gruppi differenti, il procedimento essendo caratterizzato dal fatto di comprendere altresì, dopo la fase A e prima della fase B, le seguenti fasi: C. estrarre (404) una o più caratteristiche ottiche di detta almeno una immagine, D. generare (405) un insieme di dati - Data Set - (204) di ingresso di detta almeno una immagine, E. elaborare (303) il Data Set (204) di ingresso mediante una rete neurale (200) per ottenere un insieme (205) di dati di uscita corrispondente al Data Set (204) di ingresso, per cui la fase B controlla detta pluralità di attuatori sulla base dell'insieme (205) di dati di uscita.
- 2. Procedimento secondo la rivendicazione 1 , caratterizzato dal fatto di comprendere altresì, prima della fase C di estrazione (404) di dette una o più caratteristiche ottiche, la seguente fase: F. individuare (403) una o più aree di detta almeno una immagine che includono detta pluralità di prodotti agro-alimentari, per cui la fase C estrae dette una o più caratteristiche ottiche da dette una o più aree di detta almeno una immagine, la fase F comprendendo preferibilmente una procedura selezionata dal gruppo comprendente: - una segmentazione (403) di detta almeno una immagine, più prefe ribilmente selezionata nel gruppo comprendente accrescimento (o Growing), suddivisione e unione (o Split and Merge), e analisi di gruppi (o Clustering), - una fase di rilevazione dei bordi (o edge detection) di detta pluralità di prodotti agro-alimentari, e - nel caso in cui detta almeno una immagine sia un’immagine a colori rappresentata secondo un modello selezionato dal gruppo comprendente il modello RGB (rosso, verde, blu), il modello HSI (tonalità, saturazione, intensità), HSB (tonalità, saturazione, luminosità), e HSV (tonalità, saturazione, valore), un filtraggio selettivo, più preferibilmente tramite una maschera sui ognuno dei tre canali del modello di rappresentazione.
- 3. Procedimento secondo una qualsiasi delle precedenti rivendicazioni, caratterizzato dal fatto che la rete neurale (200) è selezionata dal gruppo comprendente: - una rete neurale con apprendimento supervisionato, preferibilmente di tipo backpropagation, - una rete neurale non supervisionata, preferibilmente autoorganizzante, - una rete neurale di Kohonen, - una rete neurale con apprendimento per rinforzo (reinforcement learning), ed - una rete neurale con apprendimento hebbiano.
- 4. Procedimento secondo una qualsiasi delle precedenti rivendicazioni, caratterizzato dal fatto che dette una o più caratteristiche ottiche di detta almeno una immagine comprendono una o più caratteristiche di almeno un segnale ottico componente detta almeno una immagine selezionate dal gruppo comprendente: - un valore minimo, - un valore massimo, - un valore iniziale, - un’ampiezza di un intervallo di detto almeno un segnale ottico componente, - un valore medio, ed - una deviazione standard.
- 5. Procedimento secondo una qualsiasi delle precedenti rivendicazioni, caratterizzato dal fatto che detta almeno una immagine è almeno un’immagine a colori, preferibilmente rappresentata secondo un modello selezionato dal gruppo comprendente il modello RGB (rosso, verde, blu), il modello HSI (tonalità, saturazione, intensità), HSB (tonalità, saturazione, luminosità), e HSV (tonalità, saturazione, valore), dette una o più caratteristiche ottiche di detta almeno una immagine comprendendo preferibilmente: - dimensioni percentuali di almeno una zona uniforme di detta almeno una immagine avente almeno un colore.
- 6. Macchina per la suddivisione selettiva di prodotti agro-alimentari, comprendente un banco (500) provvisto superiormente di una o più posizioni operative, su cui una pluralità di matrici (501-507) è mobile tramite mezzi di spostamento a passi in modo tale che ogni matrice assuma ognuna di dette una o più posizioni operative, ogni matrice essendo provvista di una pluralità di celle (510) ognuna delle quali è atta ad ospitare un unico prodotto agro-alimentare, ogni cella (510) essendo dotata di un attuatore controllabile, almeno una posizione operativa essendo provvista di un apparato elettro-pneumatico atto ad interagire con ognuno degli attuatori controllabili delle celle (510) di una matrice che si trova in detta almeno una posizione operativa in modo tale da far cadere un prodotto agroalimentare ospitato dalla rispettiva cella (510) in un apparato di raccolta (520-525; 530-535) corrispondente a detta almeno una posizione operativa, la macchina comprendendo almeno un apparato (550) di elaborazione e controllo per controllare detto apparato elettro-pneumatico, detto almeno un apparato (550) di elaborazione e controllo essendo provvisto di almeno un dispositivo ottico (551) di acquisizione di immagini, per acquisire almeno una immagine di almeno una matrice, collegato ad una unità di elaborazione e controllo, detta unità di elaborazione essendo atta ad eseguire il procedimento automatico per la suddivisione selettiva di prodotti agroalimentari in due o più gruppi differenti secondo una qualsiasi delle rivendicazioni da 1 a 5.
- 7. Macchina secondo la rivendicazione 6, caratterizzata dal fatto che detta unità di elaborazione memorizza una pluralità di insiemi (205) di dati di uscita in numero pari al numero di detti due o più gruppi differenti in cui i prodotti agro-alimentari vengono selettivamente suddivisi.
- 8. Macchina secondo la rivendicazione 6 o 7, caratterizzata dal fatto di comprendere mezzi meccanici (540) di riempimento di una matrice, che si trova preferibilmente in una posizione operativa iniziale, con una pluralità di prodotti agro-alimentari, detto almeno un apparato (550) di elaborazione e controllo controllando detti mezzi meccanici (540) di riempimento, detti mezzi meccanici di riempimento comprendendo preferibilmente una tramoggia (540), detti mezzi meccanici di riempimento comprendendo più preferibilmente almeno un dispositivo di posizionamento che persino più preferibilmente include un dispositivo a spazzola mobile e/o un dispositivo pneumatico a getto d’aria compressa.
- 9. Macchina secondo una qualsiasi delle rivendicazioni da 6 a 8, caratterizzata dal fatto che detto almeno un dispositivo ottico (551) di acquisizione di immagini comprende almeno una camera CCD.
- 10. Macchina secondo una qualsiasi delle rivendicazioni da 6 a 9, caratterizzata dal fatto che detto apparato di raccolta corrispondente a detta almeno una posizione operativa comprende almeno una botola (520-525) di uscita ed almeno un rispettivo cesto (530-535), detto apparato di raccolta preferibilmente comprendendo altresì mezzi meccanici in grado di far uscire prodotti agro-alimentari da botole di uscite distinte, più preferibilmente comprendenti piani inclinabili in almeno due inclinazioni sottostanti ad una matrice che si trova in detta almeno una posizione operativa.
- 11. Macchina secondo una qualsiasi delle rivendicazioni da 6 a 10, caratterizzata dal fatto di comprendere altresì, per almeno una posizione operativa, mezzi meccanici atti a far ruotare i prodotti agro-alimentari all’interno delle rispettive celle (510), preferibilmente comprendenti mezzi a getto d’aria.
- 12. Programma per elaboratore, comprendente mezzi a codice atti ad eseguire, quando operano su mezzi di elaborazione, il procedimento automatico per la suddivisione selettiva di prodotti agro-alimentari in due o più gruppi differenti secondo una qualsiasi delle rivendicazioni da 1 a 5.
- 13. Supporto di memoria leggibile da un elaboratore, avente un programma memorizzato su di esso, caratterizzato dal fatto che il programma è il programma per elaboratore secondo la rivendicazione 12.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT000304A ITRM20110304A1 (it) | 2011-06-15 | 2011-06-15 | Procedimento automatico, e relativa macchina, per la suddivisione selettiva di prodotti agro-alimentari. |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT000304A ITRM20110304A1 (it) | 2011-06-15 | 2011-06-15 | Procedimento automatico, e relativa macchina, per la suddivisione selettiva di prodotti agro-alimentari. |
Publications (1)
Publication Number | Publication Date |
---|---|
ITRM20110304A1 true ITRM20110304A1 (it) | 2012-12-16 |
Family
ID=44511307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
IT000304A ITRM20110304A1 (it) | 2011-06-15 | 2011-06-15 | Procedimento automatico, e relativa macchina, per la suddivisione selettiva di prodotti agro-alimentari. |
Country Status (1)
Country | Link |
---|---|
IT (1) | ITRM20110304A1 (it) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11504748B2 (en) | 2017-12-03 | 2022-11-22 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
US11503757B2 (en) | 2017-12-03 | 2022-11-22 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
NL2028466B1 (en) * | 2021-06-16 | 2022-12-21 | Sakata Holland B V | Methods of sorting matthiola seeds |
WO2022264076A1 (en) * | 2021-06-16 | 2022-12-22 | Seedx Technologies Inc. | Methods of sorting matthiola seeds |
US11541428B2 (en) | 2017-12-03 | 2023-01-03 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994006092A1 (en) * | 1992-09-07 | 1994-03-17 | Agrovision Ab | Method and device for automatic evaluation of cereal grains and other granular products |
-
2011
- 2011-06-15 IT IT000304A patent/ITRM20110304A1/it unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994006092A1 (en) * | 1992-09-07 | 1994-03-17 | Agrovision Ab | Method and device for automatic evaluation of cereal grains and other granular products |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11504748B2 (en) | 2017-12-03 | 2022-11-22 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
US11503757B2 (en) | 2017-12-03 | 2022-11-22 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
US11541428B2 (en) | 2017-12-03 | 2023-01-03 | Seedx Technologies Inc. | Systems and methods for sorting of seeds |
US11717860B2 (en) | 2017-12-03 | 2023-08-08 | SeedX Technolooles Inc. | Systems and methods for sorting of seeds |
NL2028466B1 (en) * | 2021-06-16 | 2022-12-21 | Sakata Holland B V | Methods of sorting matthiola seeds |
WO2022264076A1 (en) * | 2021-06-16 | 2022-12-22 | Seedx Technologies Inc. | Methods of sorting matthiola seeds |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ITRM20110304A1 (it) | Procedimento automatico, e relativa macchina, per la suddivisione selettiva di prodotti agro-alimentari. | |
Bennedsen et al. | Performance of a system for apple surface defect identification in near-infrared images | |
CN102598025A (zh) | 实时检测食品瑕疵的方法 | |
CN107437094B (zh) | 基于机器学习的木板分拣方法及系统 | |
US11167317B2 (en) | Method and apparatus for handling harvested root crops | |
CN107123107A (zh) | 基于神经网络深度学习的布匹缺陷检测方法 | |
Mustafa et al. | Classification of fruits using Probabilistic Neural Networks-Improvement using color features | |
US4807762A (en) | Procedure for sorting a granular material and a machine for executing the procedure | |
US20220379348A1 (en) | Sorting device for agricultural products and corresponding method | |
TWI700129B (zh) | 基於自我學習技術之移動物品分類系統及方法 | |
CN105344618B (zh) | 矩形竹片缺棱缺陷及颜色分拣方法 | |
Wan | Kernel handling performance of an automatic grain quality inspection system | |
Mohamed et al. | Development of a real-time machine vision prototype to detect external defects in some agricultural products | |
Ganguli et al. | Deep learning based dual channel banana grading system using convolution neural network | |
Visen et al. | Comparison of two neural network architectures for classification of singulated cereal grains | |
EP3466553A1 (en) | Device and method for classifying seeds | |
KR102583468B1 (ko) | 주아씨마늘 추출 및 쪽마늘 탈피 시스템 | |
EP4043868A1 (en) | Teacher-data generating method, trained learning model, and system | |
JP4171806B2 (ja) | 果実そ菜類の等級判別方法。 | |
Song et al. | Design and experiment of a sorting system for haploid maize kernel | |
Hakami et al. | Automatic inspection of the external quality of the date fruit | |
KR101919986B1 (ko) | 연속적인 개체 중량 판별을 이용한 밤 선별장치 | |
Peterson et al. | Identifying apple surface defects using principal components analysis and artificial neural networks | |
JP4812083B2 (ja) | いりこ等の選別方法とその装置 | |
CN104399671B (zh) | 编码式粮食籽粒分离装置 |