MX2012002431A - Metodo para deteccion en tiempo real de defectos en un producto alimenticio. - Google Patents

Abstract

La presente invención describe un método para detectar defectos en un proceso de producción de un producto alimenticio utilizando análisis de imagen multi-variable. En un aspecto, una imagen es capturada del producto alimenticio en el espectro visible a través de un equipo de visión en línea, se realiza el análisis de imagen multi-variable en la imagen a través de un algoritmo programado sobre un arreglo de compuerta programable de campo para determinar si existe un defecto, se envía una señal a un equipo de clasificación corriente abajo, y el equipo de clasificación después rechaza aquellos productos alimenticios que contengan defectos.

Description

METODO PARA DETECCION EN TIEMPO REAL DE DEFECTOS EN UN PRODUCTO ALIMENTICIO Antecedentes de la invención Campo técnico Esta invención se refiere al uso de análisis de imagen multi-variable para detectar defectos sobre una línea de producción que produce un producto alimenticio. i Descripción de técnica relacionada La acril a m id a q u ím i ca ha sido u sada por m ucho tiem po en ¡ su i forma de polímero en aplicaciones industriales para tratamiento jde agua, recuperación de aceite mejorada, elaboración de papel, i floculantes, espesantes, procesamiento de minerales y géneros ide prensa permanente. La acrilamida precipita como un sólido blanco, es inodora, y es altamente soluble en agua (21 55 g/l a 30°C). Los sinónimos de acrilamida incluyen 2-propenamida, etilen carboxamida, amida de ácido acrílico, vinil amida y amida de ácido propenoico. La acrilamida tiene una masa molecular de 71 .08, un punto de fusión de 84.5°C y un punto de ebullición de 125°C a 25 mmHg.

En tiempos recientes, una amplia variedad de alimentos ha probado ser positivos por ha encontrado especialme alimentos de carbohidratos que han sido calentados o procesados a altas temperaturas. Ejemplos de alimentos que han probado ser i i i positivos para acrilam ida incluyen café, cereales, galletas, hojuelas de papa, galletas, papas a la francesa , panes y bollos, y carnes empanizadas fritas. La acrilamida no ha sido determinada corno perjudicial a humanos, pero su presencia en prod uctos alimentos, especialmente a niveles elevados, es indeseable.

Una manera de reducir la formación de acrilamida es procesar térmicamente productos alimenticios a un mayor contenido de humedad . Sin em bargo, productos alimenticos que contienen demasiada humedad tienen pobres propiedades organolépticas y son indeseables a consumidores. El objetivo de la presente invención es detectar defectos , en pa rticu l ar prod uctos alimenticios te n iendo un contenido de humedad por arriba de un cierto umbral , en un proceso q ue produce un producto alimenticio con un mayor contenido de humedad.

Breve descripción de la invención Un aspecto de la presente invención se dirige hacia un método para la detección en tiempo real de defectos en un producto alimenticio comprendiendo los pasos de capturar una imagen de un producto alimenticio en el espectro visible, realizar análisis de imagen multi-variable sobre la imagen para revelar un conjunto de daos , y determinar si existe un defecto en el producto alimenticio con base en el conjunto de datos. En un aspecto, la invención comprende además la remoción de productos alimenticios conteniendo u n defecto antes de un paso de empaque. Un aspecto de la invención comprende ajustar una variable de proceso para reducir el número de productos alimenticios fabricados que son defectuosos. Un aspecto de la presente invención comprende analizar y remover los productos alimenticios por defectos de acrilamida.

En un aspecto, la presente invención se dirige hacia un aparato para monitorear un proceso que produce un producto alimenticio por defectos. En un aspecto, el aparato comprende un dispositivo de captura de imagen, un dispositivo de computadora capaz de almacenar un algoritmo, en donde dicho algoritmo transforma una imagen de color de un producto alimenticio en una expresión adecuada de una matriz de imagen vía análisis de imagen multi-variable, y determina si existe un defecto con base en un conjunto de datos resultante.

Oros aspectos, modalidades y características de la invención se volverán evidentes a partir de la siguiente descripción detallada de la invención cuando se considera en conjunción con los dibujos acompañantes. Las figuras acompañantes son esquemática y no pretenden ser dibujadas a escala. En las figuras, cada componente idéntico o substancialmente similar que es ilustrado en varias figuras es representa por un solo número o notación. Para fines de claridad, no todo componente es etiquetado en cada figura. Ni cada componente de cada modalidad de la invención mostrada donde una ilustración no es necesaria para permitir aquéllos de habilidad ordinaria en la técnica para entender la invención.

Breve descripción de los dibujos Los novedosos rasgos que se creen característicos de la invención se exponen en las reivindicaciones anexas. Sin embargo, la invención por sí misma, así como un modo de uso preferido, objetivos adicionales y ventajas de los mismos, serán mejor entendidos por referencia a la siguiente descripción detallada de modalidades ilustrativas cuando se lee en conjunción con los dibujos acompañantes, en donde: La Figura 1 muestra un diagrama de flujo general de un método para detectar defectos en un proceso que produce un producto alimenticio de acuerdo con una modalidad de la presente invención; La Figura 2 muestra distribuciones de contenido de humedad pronosticas de hojuelas de papa; i La Figura 3a muestra una pluralidad de hojuelas de papas fritas, teniendo cada hojuela una región crujiente deseable y una región central suave defectuosa; La Figura 3b es una representación de la imagen corregida de la región de centro suave defectuosa superpuesta sobre las hojuelas de papas fritas mostradas en la Figura 3a; La Figura 4 es una representación pronostica de las imágenes de color de dos hojuelas de papas fritas transformadas en el espacio de calificación \1 -t2 'l y 1 La Figura 5 muestra una representación esquemática de una modalidad de la presente invención.

Descripción detallada La presente invención, en una modalidad, comprende un método para detección de tiempo real de defectos en un proceso que produce un producto alimenticio. La presente invención puede ser usada para monitorear un proceso que produce un producto alimenticio y detecta productos alimenticios que contienen defectos al utilizar análisis de 1 imagen multi-variable para diferenciar entre características del produbto alimenticio, algunas de las cuales son defectuosas y algunos de los cuales no son, que parecen similares cuando se ven en el espectro visible.

Haciendo referencia ahora a la Figura 1 , una imagen es capturada 100 del producto alimenticio en el espectro visible, el cual abarca el rango de longitud de onda de 400 nm a 700 nm, por equipo de visión jen línea tal como una cámara digital, conforme el producto procede debiajo de la línea de proceso. En una modalidad, el ancho completo de una banda transportadora es imaginado proporcionando por ello inspección máxima y análisis de la superficie del producto alimenticio. En una modalidad, el alimento está en una configuración de monocapa. Productos alimenticios alojados pueden ser colocados en configuración de monocapa al transferir producto alimenticio alojado desde tina primera banda transportadora a una segunda banda transportadora que se mueve mucho más rápido. El análisis de imagen multi-variable (de aquí en adelante "MIA") es realizado entonces en la imagen vía un algoritmo 1 10. En una modalidad, el algoritmo puede ser programado en un arreglo de compuerta programable de campo (FPGA), el cual es un dispositivo semiconductor, conocido en la técnica, que puede ser programado en el campo. En una modalidad, un circuito integrado específico de aplicación puede ser usado para procesar el algoritmo. El algoritmo puede ser usado para revelar un conjunto de datos, el cual muestra la ubicación de las características de producto en el espacio de calificación ti-t2 u otra expresión adecuada de la matriz de imagen vía análisis de imagen multi-variable. ¡ A continuación, se determina si un defecto existe 1 20 con base en el conjunto de datos resultante. En una modalidad, si se encuentra un defecto, una señal 1 30 puede ser enviada a equipo de clasificación, tal como un banco de boquillas de aire independientemente seleccionadas, ubicadas corriente abajo del equipo de visión, para rechazar el producto alimenticio conteniendo el defecto. El equipo de clasificación rechaza entonces aquéllos productos alimenticos que contienen defectos al desviar los prod uctos a l i menticios defectuosos de l tra ns portador q ue porta el producto con una corriente de aire desde una boquilla de aire antes de un paso de empaque.

En una modalidad, la invención comprende usar la medición de tiempo real de defectos para ajustar un proceso variable en la línea de fabricación de alimentos para bajar el porcentaje de defectos en los productos alimenticios.

Una modalidad de la presente invención puede ser explicada con referencia a una línea de producción de hojuelas de papas y defectos de "centro suave" que ocurren en hojuelas de papas fritas teniendo un contenido de humedad de más de aproximadamente 2.5% en peso. Un defecto de centro suave ocurre cuando un alimento térmicamente procesado, tal como una hojuela de papa frita no es cocida a un contenido de humedad que asegura una textura crujiente a lo largo del producto alimenticio. Así, la región central del producto alimenticio es relativamente suave. Los centros suaves son problemáticos debido a que afectan adversamente la vida de anaquel del producto al incrementar la cantidad de humedad en el recipiente de producto y conducen al producto que se vuelve pasado más rápidamente. Además, los centros suaves afectan la lectura de la hojuela de papa, lo cual resulta en satisfacción disminuida del consumidor, y puede provocar que múltiples hojuelas se peguen, o cal resulta en problemas durante procesamiento adicional.

Conforme los alimentos son procesados térmicamente a mayores contenidos de humedad para bajar el nivel de acrilamida en el alimento, los defectos de centro suave se vuelven más frecuentes. Por ejemplo, las hojuelas de papas son normalmente cocidos al freír una distribución de contenido de humedad de manera de pronóstico mostrada por la curva 20 en la Figura 2. Como se muestra en la Figura 2, cuando las hojuelas de papas son fritas a un contenido de humedad objetivo de aproximadamente 1 .4% en peso, muy pocas de las hojuelas de papas fritas tienen contenidos de humedad por arriba de 2% en peso. Sin embargo, procesar térmicamente alimentos a mayores contenidos de humedad, tal como un contenido de humedad objetivo de aproximadamente 1 .8% en peso, para reducir la formación de acrilamida puede resultar en una consecuencia no pretendida para producir números más grandes de centros suaves, los cuales necesitan ser I removidos de la corriente de producto antes de empacar. La curva 220 en la Figura 2 representa la distribución de contenido de humedad pronóstica de una hojuela de papa térmicamente procesada frita a ún i contenido de humedad objetivo de aproximadamente 1 .8%. Como se muestra por la Figura 2, elevar el contenido de humedad objetivo de las i hojuelas de papa resulta en un porcentaje mucho mayor de las hojuelas teniendo un contenido de humedad de más de aproximadamente 2.0%. También es evidente en la Figura 2 que la distribución de humedad pronóstica 220 es más amplia conforme la humedad objetivo es incrementada. La razón de que la distribución de humedad 220 aumente es que el extremo inferior de la distribución es además de la restricción del contenido de humedad "ligada" de la hojuela de papa terminada. En consecuencia, un nivel incluso mayor al esperado de defectos de centro suave ocurre al elevar el contenido de humedad objetivo.

Equipo de clasificación existente en la producción de hojuelas de papa con base en el espectro visible clasifica hojuelas defectuosas con base en el grado de obscuridad (por ejemplo, negro, café, verde), y tamaño de defecto observado en la hojuela. Sin embargo, detectar los defectos de centro suave con el equipo existente es difícil debido a que los centros suaves reflejan la luz de manera diferente a otros defectos debido a que los defectos de centro suave emiten una firma de longitud de onda brillante/brillosa. Por ejemplo, el color es descrito algunas veces en un espacio de color HSI (matiz, saturación, intensidad) es difícil usar el espacio de color HSI para detectar de manera precisa los centros suaves debido al componente de luminosidad o brillante, el cual principalmente no está relacionado a las propiedades de intensidad y saturación real del objetivo, es medido mediante la tecnología HSI . Cuestiones que complican adicionales son el hecho de que las hojuelas remojadas en aceite, las cuales no son consideradas defectuosas, también una firma de longitud de onda blanca o brillante y pueden ser rechazadas erróneamente junto con los centros suaves. ¡ Las hojuelas remojadas con aceite son productos alimenticios fritos, donde el aceite no es unido al almidón. Varias regiones de la hojuela frita pueden ser remojadas con aceite. En algunas modalidades, debido a que las hojuelas son analizadas por defectos dentro de un periodo relativamente corto después de salir de la freidora, el aceite puede estar todavía en la superficie del alimento frito si el aceite no ha sido embedido en el producto alimenticio. Las hojuelas remojadas no son consideradas defectuosas. En consecuencia, existe la necesidad de un aparato y método para monitorear una línea de producción de producto alimenticio procesado térmicamente para centros suaves, y rechazar selectivamente los centros suaves sin rechazar las hojuelas remojadas en aceite.

Aunque los productos alimenticios fritos térmicamente procesados son típicamente procesados a contenidos de humedad de menos de 2.5% en peso del producto alimenticio, y más preferiblemente menos de aproximadamente 2.0% en peso del producto alimenticio, productos horneados, tales como galletas pueden ser procesados térmicamente a mayores contenidos de humedad y todavía son de vida de anaquel estable. En consecuencia, como se usa en la presente, un producto alimenticio térmicamente procesado es definido como un producto alimenticio teniendo un contenido de humedad de menos de aproximadamente 5% en peso, y as preferiblemente menos de aproximadamente 3.5% en peso. Como se usa en la presente, el término hoj uela y producto alimenticio térmicamente procesado son usados de manera intercambiable.

Una modalidad de la presente invención perm ite defectos de centro suave y hojuelas remojadas en aceite a ser diferenciados al realizar análisis de imagen multi-variable sobre una imagen tomada en el espectro visible del producto alimenticio térmicamente procesado para construir un algoritmo que puede ser usado para identificar características, tales como defectos de centro suave y áreas remojadas en aceite en el producto alimenticio.

Una imagen color ca ptu rada en el espectro visible de u na imagen multi-variable compuesta por tres variables - canales rojo, verde y azul . El color de cada pixel en la imagen tiene intensidades variables de los colores rojo, verde y azu l y es caracterizado por los valores numéricos (normalmente enteros de 0 a 255) de sus canales rojo, verde y azul. Una imagen de color puede ser expresada como una matriz de 3 vías. Dos dimensiones representan las coordenadas espaciales x- y la tercera dimensión en el canal de color. Sin considerar las coordenadas espaciales de pixeles, la matriz de imagen puede ser desdoblada y expresada como una matriz de 2 vías. / es una matriz de imagen de 3 vías con el tamaño de imagen Nf0XxNCC)/. I es la matriz de imagen de 2 vías desdoblada. N es el número de pixeles en la imagen, N = NrovvxNco/, c, r, c,>g, cii b, (= 1 , ... , N son los valores de intensidad de los canales rojo, verde y azul para pixel i. c, (i=1 N) es el vector de fila iésima de I, el cual representa los valores de color de pixel i. Los métodos de regresión diferentes conocidos en la técnica, tal como análisis de componente principal (PCA) o mínimos cuadrados parciales (PLS), pueden usarse en la matriz de 2 vías I para obtener un espacio de calificación t ! -t2 - Por ejemplo, análisis de componente principal de múltiples vías puede ser realizado en la imagen de color multi-variable para obtener ¡un espacio de calificación t1 -t2. PCA de múltiples vías es equivalente a realizar PCA en la matriz de imagen de 2 vías desdoblada I . donde A es el número de componentes principales, ta's son vectores de calificación y pa's correspondientes son vectores de carga.

Debido a que la dimensión de fila de la matriz de imagen de 2 vías I es muy grande (igual a 307,200 para un espacio de imagen 480x640) y la dimensión de columna es mucho más pequeña (igual a 3 para upa imagen de color RGB), un algoritmo de núcleo puede ser usado para calcular los vectores de carga y calificación. En este algoritmo, la matriz de núcleo (lTl) es formada primero (para un conjunto de imágenes, la matriz de núcleo es calculada como y entonces una descomposición de valor singular (SVD) es realizada :en esta matriz de dimensión muy baja (3x3 para imagen de color) para obtener vectores de carga pa (a= 1 , ... ,A).

Después de obtener vectores de carga, los vectores de calificación correspondientes ta son calculados entonces ta = I pa. Debido a que los primeros dos componentes normalmente explican la mayoría de la varianza, en lugar de trabajar en espacio de RGB tridimensional original, trabajar en el espacio de calificación t1 -t2 ortogonal bidimensional permite que las imágenes sean interpretadas más fácilmente.

La Figura 3a muestra una pluralidad de hojuelas de papas fritas, cada hojuela teniendo una región crujiente no defectuosa, deseable 302 y una región de centro suave 304. La región ligeramente nacida mostrada por el número 304 representa necesariamente un color más obscuro en este dibujo que sería indicativa de un centro suave en upa imagen de color real, y se describe que muestra una región de centro suave pronostica 304. La Figura 4 es una representación pronostica de las imágenes de color de dos hojuelas de papas fritas transformadas en el espacio de calificación t ! -t2. El programa de cómputo para transformar una imagen en un espacio de calificación ti-t2 es conocido en la técnica. ¡ Para desarrollar el algoritmo usado para lograr el análisis de imagen multi-variable que correlaciona la imagen de color de una hojuela de papa frita para determinar si la hojuela es defectuosa, un PCA de múltiples vía es realizado en dos de las imágenes en la Figura 3a para convertir el espacio de calificación ti-t2 de cada hojuela de papa 410 41 1 representada en la Figura 4.

Las modificaciones pueden hacerse para equipo existente para permitir al usuario buscar áreas blancas/brillantes, tales como cambjar el material de banda de blanco a un color más obscuro como azul para permitir la diferenciación entre el color de banda de transporte/soporte y el defecto permitiendo por ello una detección más precisa de centros suaves. En consecuencia, en una modalidad, el color de soporte, por ejemplo, el color de la banda transportadora, es removida de la imagen en la Figura 3a antes de convertir la imagen de cada hojuela de papa en el espacio de calificación t1-t2. Siguiendo la remoción del soporte, la imagen RGB de la hojuela de papa descrita en la figura 3a puede ser convertida entonces en una imagen transformada 41 0 41 1 representada en la Figura 4. Aquéllos teniendo habilidad ordinaria en la técnica entenderá que diferentes productos alimenticios producirán diferentes espacios de calificación tn -t2 diferentes. Por ejemplo, el espacio de calificación t ^ -t 2 serán diferentes del espacio de calificación tH2 para una hojuela de papa. Se debería señalar que existen otras formas de desdoblar y expresar la matriz de imagen diferentes al espacio de calificación t-i -t2 y tal expresión es provista para fines de ilustración y no limitación.

A continuación, una máscara es creada al resaltar un defecto identificado en el espacio RGB y observar donde cae el defecto en el espacio ti-t2. Se crea una máscara 402 que resalta el área en el espacio ti-t2 que es característico del defecto, el cual corresponde a la región de centro suave identificada por el número 304 en la Figura 3a. En una modalidad, la máscara 402 ocurre en el mismo espacio t i -t 2 incluso cuando el espacio de calificación de cada hojuela de papa 410 401 1 puede abarcar diferentes áreas en el espacio t n -t2 - El área que comprende la máscara 402 en el espacio t1-t2 es seleccionada y una imagen corregida es proyectada nuevamente hacia el espacio RGB sobre la hojuela de papa en la Figura 3b. Las áreas de máscara alrededor de la región de defecto 304 mostrada en la Figura 3a son, en una modalidad seleccionadas por prueba y error hasta que la i imagen corregida mapeada nuevamente hacia el espacio RGB es substancialmente superpuesta sobre el área defectuosa 314 de la hojuela mostrada en la Figura 3b. En una modalidad, las áreas de máscara alrededor de la región de defecto 304 mostrada en la Figura 3a pueden ser seleccionadas por un algoritmo de automatización que puede optimizar la tarea de generación de máscara.

El proceso anterior puede ser repetido para definir máscaras que son correlacionadas con otras propiedades de producto alimenticio incluyendo, pero no limitando a, otros defectos. Por ejemplo, las rebanadas de papa con defectos también han sido encontradas como enlazadas con mayores niveles de acrilamida cuando se fríen en aceite caliente (por ejemplo, fritas en aceite teniendo una temperatura de aceite de más de aproximadamente 1 37.78°C (280°F)) que rebanadas de i papa no teniendo defectos de papa. Una rebanada de papa no teniendo defectos es una rebanada que tiene un color uniformemente dorado en su área de superficie completa después de freírse. Los defectos de papa son bien conocidos para aquéllos expertos en la técnica y tales i defectos incluyen, pero no están limitados a defectos de cebra, ! pudrición seca, costra, corazón hueco, verdeado, pata negra, brote, moretones, rollo de hoja y azúcar. Detalles adicionales sobre defectos encontrados en las papas, incluyendo un listado de tales defectos, puede encontrarse en Information Bulletin 205 titulado "Detection !of Potato Tuber, Diseases and Defects" (Detección de tubérculo de papa, enfermedades y defectos" publicado por el Cornell University Department of Plant Pathology en su sitio de red en http://vegetablemdonline.ppath.cornell.edu/factsheets/Potato Detection. htm. Este boletín de información es incorporado en la presente por referencia. ! Varias rebanadas de papas fritas teniendo varios defectos ¡se frieron a un contenido de humedad por debajo de 2% en caliente y se analizaron por niveles de acrilamida. Los provistos en la tabla a continuación.

Defectos de azúcar no son removidos normalmente de corrientes de producto antes del empaque. De manera interesante, las hojuelas que tienen los niveles de acrilamida más altos debido a defectos de azúcar no han sido históricamente marcados como defectos para consumidor, debido a que estos defectos tienen predominantemente colores café ligeros a medios y por lo tanto no son considerados inaceptables. En su lugar, defectos tales como pudrición, pata negra y brote, los cuales tienen colores predominantemente neg ros o muy obscuros son los tipos de defectos de papa más probablemente removidos antes del empaque.

Como se ejemplifica por los datos anteriores, la remoción de hojuelas de papas fritas defectuosas del proceso de empaque puede ayudar a reducir substancialmente el nivel promedio de acrilamida en una porción de producto alimenticio. En consecuencia, en uña modalidad de la invención, un producto alimenticio que tiene un defecto de acrilamida conocido como característico de altos niveles de acrilamida es removido antes de empacar los productos alimenticios. Como se usa en la presente, un producto alimenticio tiene un defecto de acrilamida conocido como característico de un alto nivel de acrilamida si la concentración de acrilamida debida al defecto es más de dos veces el nivel de una rebanada de papa no defectuosa térmicamente procesada bajo las mismas condiciones. Sí, una rebanada teniendo un defecto de azúcar es uno que debido ai contenido de azúcar mayor al normal producirá una rebanada de papa terminada teniendo más de dos veces el nivel de acrilamida que una rebanada de papa teniendo un contenido de azúcar normal (por ejemplo, papas en hojuelas normalmente tienen menos de 0.05% de azúcar reductor en peso de una papa fresca) que es térmicamente procesada bajo las mismas condiciones.

En una modalidad, se crea una máscara para resaltar una porción no defectuosa de una hojuela, tal como una región remojada en aceite y observar donde cae el defecto en el espacio RGF. Las áreas de máscara pueden ser seleccionadas nuevamente por prueba y error o mediante un algoritmo automatizado hasta que el área removida con aceite produzca una imagen corregida que cubre adecuadamente el área no defectuosa de la hojuela. En esta forma, puede hacerse una diferenciación entre el área de color claro en la hojuela de papa que es provocada por un centro suave defectuoso que se opone a un área de color claro en la hojuela de papa que corresponde a una hojuela remojada en aceite no defectuosa. El programa de cómputo, tal como Proportion, de Prosensus, Inc. , puede ser usado para desarrollar el algoritmo en la manera discutida antes para lograr el análisis de imagen multi-variable que puede ser usado para crear la imagen corregida.

I Este algoritmo puede ser programado entonces en un FPGA para i determinar, con base en la imagen capturada y conjunto de dat s correspondiente calculado a partir de esa imagen, el número, tipo! y grado de pixeles de defecto dentro de la hojuela, y establecer cuáles hojuelas son defectuosas. Los FPGA's son conocidos en la técnica y puede ser comprados, por ejemplo, a Hunt Engineering de Brent Knpll Village, Somerset, Inglaterra.

De manera ventajosa, la presente invención, a diferencia de la técnica anterior, permite que una o más áreas defectuosas sean agregadas. En una modalidad, los defectos más asociados con acrilamida pueden ser ponderados de manera que los defectos de acrilamida requieren menos área defectuosa para la remoción de otros defectos, tales como centros suaves, los cuales tienen niveles relativamente bajos de acrilamida. Si una hojuela es clasificada como defectuosa puede determinarse por una o más variables predeterminadas. En una modalidad, un defecto existe cuando el conjunto de datos o imagen corregida revela que al menos aproximadamente 10% del alimento en imagen comprende un centro suave.

En una modalidad, las hojuelas defectuosas son enfocadas para remoción. Si una hojuela ha sido enfocada para remoción, el FPGA puede calcular el área objetivo, traducir el área objetivo a las boquillas de rechazo específicas en el banco de boquillas de aire corriente abajo, calcular el tiempo necesario y comunicar la secuencia de disparo ¡al controlador eyector. El equipo de clasificación, tal como un clasificadbr de alta capacidad Manta disponible de Key Technologies de Walla Walla, Washington puede ser usado.

La Figura 5 muestra una representación esquemática de una modalidad de la presente invención. En una modalidad, el banco de boquillas de aire independientemente disparadas 508, situadas alrededor del ancho completo del transportador 502, se ubica a una corta distancia (por ejemplo, menos de aproximadamente 1 52.4 cm (5 ft) y más preferiblemente menos de aproximadamente 91.44 (3 ft)) corriente abajo del equipo de captura de imagen 504. Por lo tanto, en tal modalidad, si el producto alimenticio 502 se está moviendo a lo largo del transportador a velocidades por arriba de 152.4 m/min (500 ft/min), el análisis de imagen multi-variable y determinación de si una hojuela es defectuosa debe tener lugar muy rápidamente.

Para lograr esto, el algoritmo puede ser programado en el procesador 506 que es conectado con el equipo de visión 504 y equipo de clasificación 508. Una imagen de color de una hojuela de papa 502 puede ser tomada por equipo de visión 504 y enviarse a la unidad de procesamiento 506. La unidad de procesamiento 506 puede comprender un FPGA.

El procesador 506 aplica el algoritmo que fue desarrollado por métodos discutidos antes a la imagen, el cual transforma la imagen de color en un espacio de calificación ti-t2 u otra expresión adecuada de la matriz de imagen vía análisis de imagen multi-variable y determinar si un defecto existe con base en el conjunto de datos resultante. En una modalidad, el conjunto de datos resultante es usado para superponer una imagen correcta en el espacio TGB sobre el substrato alimenticio.

En una modalidad, si existe un defecto, una señal es enviada al equipo de clasificación corriente abajo 508 para rechazar la hojuela ¡ defectuosa. Usar FPGA y/o tecnología de arreglo de procesador de alta velocidad 506 permite que el proceso ocurra en menos de aproximadamente 0.002 segundos y más preferiblemente en menos de aproximadamente 0.001 segundos para permitir el accionamiento de válvulas de solenoide de aire de alta velocidad conectadas a boquillas de aire 508 que son seleccionadas para remover defectos identificados de la corriente de producto. Las hojuelas defectuosas son enrutadas a una corriente de defecto 510 mientras que la corriente de hojuela no defectuosa 512 es enrutada para sazonado y/o empaque.

En una modalidad, si existe un defecto, una señal puede ser usada entonces para ajusfar las variables de proceso para ajusfar los niveles de defecto en un producto alimenticio terminado. Por ejemplo, el tiempo y temperatura de exposición de un producto alimenticio en la freidora puede ser optimizado con el fin de reducir, disminuir y/o minimizar el nivel de defectos en el producto alimenticio terminado. Por ejemplo la velocidad de rueda de paletas puede ser disminuida para permitir un tiempo de residencia más largo en la freidora y/o la temperatura de aceite caliente puede incrementarse para freír los centros suaves. Otros niveles de proceso que pueden ser ajustadas incluyen, pero no están limitados a, velocidad de flujo de aceite hacia la freidora, el nivel de aceite en la freidora, la velocidad de sumergimiento, la velocidad de transportador de salida, la temperatura de aceite de entrada y la velocidad de alimentación de producto.

En una modalidad, una evaluación de la corriente de defecto 510 y/o corriente no de defecto 512 ocurre para proporcionar Una sintonización fina adicional al proceso. Por ejemplo, en una modalidad, la corriente de defecto 510 es medida para valorar el nivel de hojuelas no defectuosas en la corriente de defecto 51 0. En una modalidad, la corriente no de defecto 512 es medida para valorar el nivel de hojuelas defectuosas en la corriente no defectuosa 512. Esta información es recolectada, junto con la estadística de los defectos de entrada por tipo y grado calculado del procesador 506 y usada para ajustar el algoritmo. Tal sintonizado fino puede ser logrado en una modalidad al observar la forma de la máscara en la imagen t1 -t2 y aumentar (provocando que más de los pixeles se ajustes dentro de la definición de una clase de defecto especificada) o disminuir (Provocando que menos de los pixeles se ajusten dentro de la definición de una clase de efecto especificada) la distancia radial del centroide de la máscara, 402 mostrada en la Figura 4.

En una modalidad, le número, tipo y grado de pixeles de defecto dentro de cada hojuela en la corriente defectuosa 510 y/o la corriente no defectuosa 512 son contados para fines de análisis estadístico 514. En una modalidad, estas estadísticas pueden combinarse con el nivel de hojuelas defectuosas en la corriente no de defecto 51 2 para evaluar el desempeño 516 del sistema. Usando la información del desempeño de sistema 516, y el nivel de productos alimenticios no defectuosos en la corriente de defecto 510, pueden hacerse cálculos para ajustar la agresividad 51 8 de la sintonización confirme aplica a cada clase de defecto individual. Por ejemplo, conforme aplica a cada clase de defecto individual si un alto número de defectos están siendo pasados a través del sistema, la acción de sintonización sería incrementar de í manera estable la sensibilidad de cada defecto, por clase, hasta que se alcance un grado aceptable de rechazo de defecto. Por otra parte, si el número de defectos en la corriente no defectuosa 512 está dentro de los límites de desempeño aceptables, y el número de hojuelas "buenas" en la corriente de rechazo 51 0 es inaceptablemente alto (significando que el rendimiento está siendo abandonado), entonces el sistema podría ser sintonizado al disminuir la sensibilidad o agresividad 51 8 para ciertas clases de defecto (unos que son menos escandalosos en términos de acrilamida) para reducir el número de hojuelas "buenas" que ocurren en la corriente de rechazo 510.

Esta información puede ser usada sola o en conjunción con upa entrada manual por un operador para ajusfar la sensibilidad global 520 del sistema. En tal modalidad, un operador tendría acceso a un dispositivo de entrada de operador, tal como una barra de deslizamiento o teclas de flechas arriba/abajo, o una entrada de numérica/ajuste de "tendencia" con base en cualquier escala deseada (por ejemplo, 0-100, +/-10, etc) que sería usado para desviar la sensibilidad de sistema global a los defectos. Por ejemplo, si el operador desea aumentar los defectos permisibles en la corriente "buena" o no defectuosa 512 para incrementar o disminuir por un porcentaje dado, digamos de 5% a 4%, el operador sería capaz de hacer este ajuste manualmente. En una modalidad, el ajuste manual por un operador no estaría disponibles para ajustar la sensibilidad de ciertas clases de defectos, específicamente I aquéllos que resulten en niveles de acrilamida incrementados, pára asegurar que el rechazo de tales defectos no pudiera ser invalidado manualmente por un operador.

Ejemplo pronóstico Rebanadas de papa son cocidas en una freidora continua a , por ejemplo, una temperatura de aproximadamente 1 71 . 1 1 °C (340°F) hasta aproximadamente 1 87.78°C (370°F) durante aproximadamente ¡ 3 minutos. El paso de cocción generalmente reduce el nivel de humedad de la hojuela a menos de 2% en peso. Por ejem plo, una hojuela de pa pa frita típica sale de la freidora con aproximadamente 1 .5% de humedad en peso.

Las hojuelas de papa cocidas salen de la freidora y proceden a lo largo de un transportador a aproximadamente 243.84 cm/s (8 f/s). Una cámara digital , posicionada arriba del transportador, captura una imagen de color de la hojuela conforme avanza en el transportador. La imagen es enviada a la unidad de procesamiento conten iendo el FPGA o arreglo de procesador con el algoritmo programado. El FPGA o arreglo procesador aplica el algoritmo para transformar la imagen de color en espacio de calificación t! -t2. El algoritmo determ ina entonces si la hojuela de papa es defectuosa con base donde las características de la hojuela son ubicadas en el espacio de calificación ti -t2. U na máscara es creada q ue resalta el área en el espacio de calificación tH2 que es característico del defecto. Esto se hace primero al resaltar un defecto identificado en el espacio RGB y observar donde cae el defecto en el espacio ti -t2. Un área alrededor del punto en el espacio de calificación ti-t2 es seleccionada y proyectada nuevamente en el espacio RGB. Las áreas de máscara alrededor de la región de defecto habrían s¡do previamente identificadas por prueba y error hasta que el área mapeada nuevamente hacia el espacio RGB cubre adecuadamente el área defectuosa de la hojuela. El FPGA señala al equipo de clasificación, que en una modalidad comprende una o más boquillas de aire, que una hojuela defectuosa se está aproximando en 91 .44 cm (3 ft) o 0.006 segundos. El equipo de clasificación rechaza entonces la hojuela defectuosa al contactar la hojuela defectuosa con un chorro de aire conforme la hojuela es lanzada a través de una abertura de aproximadamente 30.48 cm (12 in) de ancho entre la banda transportadora a un vertedero de ralentización. En esos casos, la distancia está probablemente en el orden de menos de 30.48 cm (1 ft) entre el sistema de adquisición de imagen y las boquillas de eyección.

Aunque la presente invención se ha descrito con referencia a una línea de producción de hojuelas de papa y defectos de centro suave jen hojuelas de papa, se entiende que la invención es aplicable a otros defectos familiares a la industria de procesamiento de papas, y otros productos alimenticios térmicamente procesados, tales como hojuelas de maíz horneadas o fritas, totopos, galletas, etc. Los ejemplos y explicaciones dados no pretenden limitar la presente invención.

Habiendo descrito así varios aspectos de al menos una modalidad de esta invención, se apreciará que varias alteraciones, modificaciones y mejoras se les ocurrirán fácilmente a aquéllos expertos en la técnica.

Tales alteraciones, modificaciones y mejoras pretenden ser parte de i esta descripción y pretenden estar dentro del espíritu y alcance de la invención. De acuerdo con esto, la descripción anterior y dibujos son a manera de ejemplo solamente.

Claims (21)

REIVI NDICACION ES ! !

1 . Un método para detectar defectos en un proceso que produce un producto alimenticio, comprendiendo dicho método los pasos de: j a) capturar una imagen de dicho producto alimenticio en un espectro visible, b) realizar análisis de imagen mu lti-variable endicha imagen para revelar un conj unto de datos, y c) determ inar si existe un defecto con base en dicho conjunto de datos, en donde dicho defecto ocurre cuando dicho producto al imenticio i comprende un contenido de h umedad de más de aproximadamente 2.0% i en peso; y ¡ d) rechazar dicho producto alimenticio teniendo d icho defecto dentro de 0.002 seg undos después de dicho paso de determinar c) al enviar una señal a equipo de clasificación corriente abajo que comprende válvulas de solenoide de aire conectadas a boquillas de aire capaces. ¡

2. El método de la reivindicación 1 q ue comprende además !el paso de ajustar una variable de proceso para proporcionar un númejro disminuido de dichos defectos. ¡

3. El método de la reivindicación 1 , en donde dicho conjunto datos comprende un espacio de calificación de ti -t2. i

4. El método de la reivindicación 1 que com prende además ¡el paso de rechazar los productos alimenticios que comprenden dichos defectos.

5. El método de la reivindicación 1 , en donde dicho análisis de imagen multi-variable ocurre por un algoritmo programado en un arreglo de compuerta programable de campo.

6. El método de la reivindicación 1 , en donde dicho defecto existe cando dicho conjunto de daos revela al menos aproximadamente 10% de un área imaginada de dicho producto alimenticio imaginado comprende un centro suave.

7. El método de la reivindicación 1 , que comprende además el paso de contar los productos alimenticios que comprenden dichos defectos.

8. El método de la reivindicación 1 , en donde dicho defecto comprende además un defecto de acrilamida.

9. El método de la reivindicación 8, en donde dicho defecto de acrilamida comprende además un defecto de azúcar.

10. Un método para detectar defectos en un proceso que produce un producto alimenticio, comprendiendo dicho método los pasos de: a) capturar una imagen de dicho producto alimenticio en un espectro visible; b) realizar análisis de imagen multi-variable en dicha imagen para revelar un conjunto de datos; y ¡ c) rechazar los productos alimenticios que contienen defectos, én donde dicho defecto comprende un producto alimenticio con un contenido de humedad pre-determinado. I

1 1 . El método de la reivindicación 1 0, que comprende además el paso de determ inar si un defecto existe con base en dicho conjunto de datos antes del paso c) .

12. El método de la reivindicación 1 0 que comprende además el paso de enviar una señal a equipo de clasificación corriente abajo para rechazar el producto alimenticio que comprende dicho defecto antes del paso c).

1 3. El método de la reivindicación 1 0, en donde dicho análisis de imagen m ulti-variable ocurre por u n algoritmo programado en un arreglo de compuerta programable de campo.

14. El método de la reivi ndicación 1 0 que com prende además! e l paso de medir dichos productos alimenticios rechazados en el paso c) para producto alimenticio no defectuoso.

1 5. El método de la reivindicación 14 que comprende además el paso de sintonizar dicho conjunto de datos con base en el producto alimenticio no defectuoso medido en una corriente de producto alimenticio rechazado.

16. El método de la reivindicación 1 0 que com prende además el paso de medir dichos productos alimenticios no rechazados en el paso c) para producto alimenticio defectuoso.

1 7. El método de la reivindicación 1 6 que comprende además el paso de sintonizar dicho conjunto de datos con base en el producto alimenticio defectuoso medido en una corriente de producto alimenticio no rechazado.

1 8. Un arreglo de compuerta programable de campo que comprende un algoritmo que transforma una imagen de color de un producto alimenticio en un espacio de calificación ti-t2 vía análisis ele imagen multi-variable, determina si existe un defecto con base en el conjunto de datos resultante, y envía una señal a equipo de clasificación corriente abajo para rechazar dicho defecto dentro de 0.002 segundos.

19. Un aparato para monitorear un proceso para producir un producto alimenticio por defectos que comprende: un dispositivo de captura de imagen; un dispositivo de computadora capaz de almacenar un algoritmo, en donde dicho algoritmo transforma una imagen de color de un producto alimenticio en una calificación ti-t2 vía análisis de imagen multi-variable; y ' determina si existe un defecto con base en un conjunto de datos resultante; y equipo de clasificación corriente abajo que comprende válvulas de solenoide de aire conectadas a boquillas de aire capaces de rechazar productos alimenticios defectuosos después de recibir una señal de dicho dispositivo de computadora menos de 0.002 segundos después de que dicho dispositivo de computadora determinar si existe un defecto.;

20. El aparato de la reivindicación 19, en donde dicho dispositivo de computadora comprende un arreglo de compuerta programable de campo. ,

21 . El aparato de la reivindicación 1 9, en donde dicho dispositivo de computadora comprende una pluralidad de arreglos procesadores de computadora que segmenta dicha imagen de color.