WO2012146799A1 - Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo - Google Patents

Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo Download PDF

Info

Publication number
WO2012146799A1
WO2012146799A1 PCT/ES2012/000104 ES2012000104W WO2012146799A1 WO 2012146799 A1 WO2012146799 A1 WO 2012146799A1 ES 2012000104 W ES2012000104 W ES 2012000104W WO 2012146799 A1 WO2012146799 A1 WO 2012146799A1
Authority
WO
WIPO (PCT)
Prior art keywords
olives
percentage
cooking
image
ending
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/ES2012/000104
Other languages
English (en)
French (fr)
Inventor
Antonio MADUEÑO LUNA
Rafael PLEITE GUTIERREZ
José Miguel MADUEÑO LUNA
Miriam LÓPEZ LINEROS
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Universidad de Sevilla
Original Assignee
Universidad de Sevilla
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universidad de Sevilla filed Critical Universidad de Sevilla
Publication of WO2012146799A1 publication Critical patent/WO2012146799A1/es
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23B—PRESERVATION OF FOODS, FOODSTUFFS OR NON-ALCOHOLIC BEVERAGES; CHEMICAL RIPENING OF FRUIT OR VEGETABLES
    • A23B7/00—Preservation of fruit or vegetables; Chemical ripening of fruit or vegetables
    • A23B7/14—Preserving or ripening with chemicals not covered by group A23B7/08 or A23B7/10
    • A23B7/153—Preserving or ripening with chemicals not covered by group A23B7/08 or A23B7/10 in the form of liquids or solids
    • A23B7/157—Inorganic compounds
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23B—PRESERVATION OF FOODS, FOODSTUFFS OR NON-ALCOHOLIC BEVERAGES; CHEMICAL RIPENING OF FRUIT OR VEGETABLES
    • A23B2/00—Preservation of foods or foodstuffs, in general
    • A23B2/003—Control or safety devices for sterilisation or pasteurisation systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Definitions

  • the present invention aims at a procedure for the quantitative determination of the percentage of cooking of samples of olives that are being treated in caustic soda and predicts the optimum moment of completion thereof. It makes use of olives from the tasting of a cooker, which are cut, stained, dried, and placed on a dark background, its image being captured and digitized with constant lighting. After an analysis by artificial vision, the percentage of cooking that is taken up to that moment is obtained and the optimum moment of completion is predicted. This procedure is applicable to any olive variety (gordal, hojiblanca, chamomile, etc.).
  • D ⁇ az et al. (2000) designed a system to classify olives automatically by artificial vision, a process that is traditionally carried out by human experts, thus being a slow and very expensive process. To achieve this goal, human experts classified different lots of olives into four categories to extract the parameters related to each class. Once the processed olives were characterized, an algorithm was implemented and tested to automatically order the olives using different resolutions in order to study the effect of the olives on the classifying effectiveness.
  • Kondo et al. analyze the sugar and acid content of the lyokan orange using an artificial vision system. Images of 30 lyokan orange fruits were acquired by a color television camera. Characteristic images such as the color of the fruit, the shape and roughness of the surface of the fruit that were added to the input layers of a neural network were extracted from the images, while the sugar content or the pH of the fruit the used as the values of the output layers. The authors found various models of neural networks capable of predicting sugar content or pH from the external appearance of fruits with reasonable accuracy. Aleixos et al. (2002) analyze the inspection and automatic classification in citrus fruits.
  • This work includes the development of a multispectral camera, which is capable of acquiring images in the visible and near-infrared spectrum of the same scene, the design of specific algorithms and their application in a two-based hardware (DSP) that work in parallel, what allows to divide the inspection tasks in the different processors.
  • DSP two-based hardware
  • Hahn, F. (2002) develops an 'Atomato' sensor, for the detection of green tomatoes that will never turn red. To do this, it uses an analysis in order to obtain the best wavelength discriminant.
  • the spectral bands obtained were used by a multi-spectral camera for the prediction of tomatoes that will never ripen with an accuracy of more than 85%.
  • Brosnan, T., Sun, D.W., 2004 presents the significant elements of a computer vision system and emphasizes important aspects of the image processing technique, along with a review of the most important developments in the food industry.
  • BPNN Backpropagation Neural Networks
  • DT decision tree
  • K-NN nearest neighbor K
  • Bayesian Bayesian with the textural characteristics (only with the BPNN classifier) extracted by means of all the pixels of an image of the whole apple.
  • a high spatial resolution (0.5-1, 0 mm) hyperspectral imaging system as a tool for the selection of better multispectral methods to detect contaminated and defective foods as well as agricultural products, specifically for Detection of defects and / or contamination on the surface of apples of the Red Delicious, Golden Delicious, Gala and Fuji varieties.
  • the algorithm was successfully used to segment many types of complex food images, including pizza, apple, pork and potatoes.
  • Bennedsen, BS and Peterson, DL, (2005) present the development and testing of an artificial vision machine for the classification of apples from those of surface defects, including blows.
  • the images for defect detection were acquired through two light filters at 740 nm and 950 nm, respectively. Defects were detected using a combination of three different routines. The ability of the routines to find individual defects and measure the area varied from 77 to 91% in the number of defects detected, and from 78 to 92.7% of the total defect area.
  • Kleynen et al. propose a method to classify Jonagold apples based on the presence of surface defects, developing a multispectral vision system with four wavelength bands in the visible / NIR range. They acquired multi-spectral images of healthy and defective fruits to cover all the color variability of this bicolor apple variety. The defects grouped them into four categories: minor defects, more serious defects, defects that lead to the dismissal of fruits and recent bruises.
  • the characterization of segmentation defects consisted of a pixel classification procedure based on Bayes' theorem and non-parametric models of healthy and defective tissue.
  • J. Blasco et al. (2007) present an artificial vision system for the detection of citrus skin defects through the use of a segmentation algorithm for targeted regions.
  • the algorithm was tested on different varieties of defective oranges and mandarins, detecting 95% of the defects under study.
  • Kilig et al. (2007) developed an artificial vision system for the recognition of beans based on their size and color through the use of Hardware and Software (Matlab). The system was able to correctly classify 90.6% of the beans studied
  • Samples of manually cut olives are applied with a NaOH sensitive dye marker, allowed to dry and placed on a dark-bottomed support (1) (black, blue). This procedure ensures a greater contrast between the background, the dye that is deposited in the area attacked by NaOH (2) and the area still intact of the center of the fruit (3).
  • the image is acquired using cameras (CCD, CMOS), or a scanner that allows the images to always be processed under identical lighting conditions.
  • the images obtained are digitized and sent to a P.C. to be analyzed or alternatively to an autonomous system based on FPGA, DSP or Microcontroller.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Food Science & Technology (AREA)
  • Polymers & Plastics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Inorganic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

La presente invención tiene por objeto un procedimiento para la determinación cuantitativa del porcentaje de cocido de muestras de aceitunas que están siendo tratadas en sosa cáustica, y predice el momento óptimo de finalización del mismo. Hace uso de aceitunas procedentes de la cata de una cocedera, que son cortadas, teñidas, secadas, y ubicadas sobre fondo oscuro, siendo su imagen capturada y digitalizada con iluminación constante. Tras un análisis por visión artificial, se obtiene el porcentaje de cocido que se lleva hasta ese momento y se predice el momento óptimo de finalización del mismo. Este procedimiento es de aplicación a cualquier variedad de aceituna (gordal, hojiblanca, manzanilla, etc...)

Description

Título
Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo.
Objeto de la invención
La presente invención tiene por objeto un procedimiento para la determinación cuantitativa del porcentaje de cocido de muestras de aceitunas que están siendo tratadas en sosa cáustica y predice el momento óptimo de finalización del mismo. Hace uso de aceitunas procedentes de la cata de una cocedera, que son cortadas, teñidas, secadas, y ubicadas sobre fondo oscuro, siendo su imagen capturada y digitalizada con iluminación constante. Tras un análisis por visión artificial, se obtiene el porcentaje de cocido que se lleva hasta ese momento y se predice el momento óptimo de finalización del mismo. Este procedimiento es de aplicación a cualquier variedad de aceituna (gordal, hojiblanca, manzanilla, etc.).
Estado de la técnica
Hasta la fecha, no existen procedimientos industriales patentados como el aquí descrito, tan sólo el método tradicional, es decir, la simple inspección visual del corte de la aceituna a cargo de una persona con experiencia (maestro cocedero). En la bibliografía aparecen ejemplos variados de uso de técnicas de visión artificial en agricultura, algunos de ellos relativos a la aceituna:
Díaz et al. (2000) diseñaron un sistema para clasificar las aceitunas de forma automática mediante visión artificial, proceso que tradicionalmente es llevado a cabo por expertos humanos siendo así un proceso lento y muy caro. Para alcanzar este objetivo, expertos humanos clasificaban diferentes lotes de aceitunas en cuatro categorías para extraer los parámetros relacionados con cada clase. Una vez caracterizadas las aceitunas procesadas, se implemento y probó un algoritmo para ordenar automáticamente las aceitunas haciendo uso de diferentes resoluciones con el objeto de estudiar el efecto de la misma sobre la efectividad clasificatoria.
Kondo et al. (2000) analizan el contenido de azúcar y acidez de la naranja lyokan usando un sistema de visión artificial. Imágenes de 30 frutos de naranja lyokan fueron adquiridas por una cámara de televisión en color. Se extrajeron de las imágenes características como el color del fruto, la forma y rugosidad de la superficie de la fruta que junto al peso se introdujeron a las capas de entrada de una red neuronal, mientras que el contenido de azúcar o el pH de la fruta los utilizaron como los valores de las capas de salida. Los autores encontraron diversos modelos de redes neuronales capaces de predecir el contenido de azúcar o el pH a partir de la apariencia externa de las frutas con una exactitud razonable. Aleixos et al. (2002) analizan la inspección y clasificación automática en cítricos. Este trabajo incluye el desarrollo de una cámara multiespectral, que es capaz de adquirir imágenes en el espectro visible e infrarrojo cercano de la misma escena, el diseño de algoritmos específicos y su aplicación en un hardware basado en dos (DSP) que trabajan en paralelo, lo que permite dividir las tareas de inspección en los diferentes procesadores. El ahorro de tiempo de procesamiento, permite no sólo determinar tamaño y clasificar por colores, sino también detectar defectos en la superficie de la piel utilizando longitudes de onda que están fuera del espectro visible.
Hahn, F. (2002) desarrolla un sensor 'Atomato', para la detección de los tomates verdes que nunca se volverán rojos. Para ello hace uso de un análisis con el fin de obtener el mejor discriminante de longitudes de onda. Las bandas espectrales obtenidas eran utilizadas por una cámara multi-espectral para la predicción de los tomates que nunca van a madurar con una precisión de más del 85%.
Blasco, J., Aleixos, N. & Moltó, E. (2003) estiman la calidad de naranjas, melocotones y manzanas (tamaño, color, y detección de defectos externos) usando un procedimiento de segmentación basado en el análisis discriminante Bayesiano. La capacidad de repetición en la detección de defectos y estimación del tamaño obtenida era del 86 y 93% respectivamente. La precisión y la repetibilidad del sistema se encontraron similares a los de clasificación manual. Díaz et al. (2004) realizan una caracterización colorimétrica mediante análisis de imagen de los defectos más comunes presentes en la superficie de las aceitunas de mesa usando algoritmos de aprendizaje entrenados con la información procedente de personas especializadas. Aplicaron tres diferentes algoritmos para clasificar las aceitunas en cuatro categorías de calidad. Los resultados muestran que una red neuronal con una capa oculta es capaz de clasificar las aceitunas con una precisión de más del 90%.
Brosnan, T., Sun, D.W., 2004 presenta los elementos significativos de un sistema de visión por ordenador y hace hincapié en los aspectos importantes de la técnica de procesamiento de imágenes, junto con una revisión de los desarrollos más importantes en la industria alimentaria.
Du et al, (2004) revisan los avances en el aprendizaje de técnicas para la evaluación de calidad de los alimentos utilizando la visión por ordenador, incluyendo redes neuronales artificiales, aprendizaje estadístico, la lógica difusa, algoritmos genéticos, y árboles de decisión. Concluyendo que las Redes Neuronales artificiales (ANN) y el aprendizaje estadístico (SL) siguen siendo los principales métodos de aprendizaje en el campo de visión por ordenador para la evaluación de calidad de los alimentos. Entre las aplicaciones de algoritmos de aprendizaje en la visión por ordenador para la evaluación de calidad de los alimentos, la mayoría de ellos son para la clasificación y la predicción, sin embargo, también hay algunas para la segmentación de imágenes y selección de características.
Kavdir, /., Guyer, D.E., (2004) clasifican las manzanas Empire y Golden Delicious según sus condiciones de calidad en superficie usando Redes Neuronales Backpropagation (BPNN) y clasificadores estadísticos, como árbol de decisión (DT), vecino más próximo K (K-NN) y Bayesiano con las características texturales (sólo con el clasificador BPNN) extraído por medio de todos los píxeles de una imagen de la manzana entera.
Leemans, V. y Destain, M. F. (2004) presentan un método de clasificación jerárquica aplicado a las manzanas Jonagold usando varias imágenes que cubren toda la superficie de los frutos adquiridas con una máquina de clasificación de prototipo. Estas imágenes fueron segmentadas y extraídas las características de los defectos. Durante el procedimiento de aprendizaje, los objetos fueron clasificados en grupos según k-medias. Las probabilidades de clasificación de los objetos fueron resumidos y sobre esta base, los frutos fueron clasificadas mediante un análisis discriminante cuadrático con una tasa del 73%.
Meh et al. (2004) hacen uso de un sistema de imágenes hiperespectral de alta resolución espacial (0,5-1 ,0 mm) como una herramienta para la selección de mejores métodos multiespectrales para detectar alimentos contaminados y defectuosos así como de productos agrícolas, concretamente para la detección de defectos y / o contaminaciones en la superficie de manzanas de las variedades Red Delicious, Golden Delicious, Gala y Fuji.
Sun, D. W., y Du, C. J. (2004) describen un algoritmo para la segmentación de imágenes utilizando crecimiento y la fusión en las mismas. Consta de cuatro pasos principales: inicialización de elementos, fusión de elementos, fusión de subregiones, y modificación de bordes. El algoritmo fue utilizado con éxito para segmentar muchos tipos de imágenes de alimentos complejos, incluyendo pizza, manzana, carne de cerdo y patatas. Bennedsen, B.S. y Peterson, D.L., (2005) presentan el desarrollo y ensayo de una máquina de de visión artificial para la clasificación de las manzanas a partir de los de defectos de su superficie, incluyendo los golpes. Las imágenes para la detección de defectos fueron adquiridas a través de dos filtros de luz a 740 nm y 950 nm, respectivamente. Los defectos fueron detectados utilizando una combinación de tres rutinas diferentes. La capacidad de las rutinas para encontrar defectos individuales y medir el área varió desde 77 hasta 91% en el número de defectos detectados, y de 78 a 92,7% de la superficie total de defectos.
Kleynen et al. (2005) proponen un método para clasificar las manzanas Jonagold basado en la presencia de defectos en su superficie, desarrollando para ello un sistema de visión multiespectral con cuatro bandas de longitud de onda en el rango visible / NIR. Adquirieron imágenes multi-espectrales de frutos sanos y defectuosos para cubrir toda la variabilidad de color de esta variedad de manzana bicolor. Los defectos los agruparon en cuatro categorías: defectos leves, defectos más graves, los defectos que conducen a la desestimación de las frutas y contusiones recientes. La caracterización de los defectos en la segmentación consistió en un procedimiento de clasificación de píxeles basado en el teorema de Bayes y modelos no paramétricos del tejido sano y defectuoso.
Cordero S, L. Lleó et al. (2006) proponen y comparan dos clasificaciones multiespectrales para caracterizar la madurez de los melocotones de pulpa de color rojo suave ('Kingcrest', 'Rubyrich' y 'Richlady' N = 260), sobre la base de imágenes sobre el R (rojo) y R/IR obtenidas con una cámara de tres CCD (800 nm, 675 y 450 nm). Los histogramas de l/IR permitieron corregir el efecto 3D y la reflectancia de la luz.
J. Blasco et al. (2007) presentan un sistema de visión artificial para la detección de defectos en la piel de cítricos mediante el uso de un algoritmo de segmentación de regiones orientadas. El algoritmo se probó en diferentes variedades de naranjas y mandarinas defectuosas logrando detectar el 95% de los defectos en estudio.
Kilig et al. (2007) desarrollaron un sistema de visión artificial para el reconocimiento de alubias basándose en el tamaño y color de las mismas mediante el uso de Hardware y Software (Matlab). El sistema fue capaz de clasificar correctamente el 90.6% de las alubias estudiadas
Riquelme et al. (2008) teniendo en cuenta que la apariencia externa de la piel de una aceituna es el factor más decisivo en la determinación de su calidad como fruto, tratan de establecer un modelo jerárquico basado en las características extraídas a partir de imágenes de las aceitunas que reflejen sus defectos externos. Los porcentajes de clasificación correcta varían considerablemente en función de las categorías, que van desde 80 hasta 100% durante la calibración y de 38 a 100% durante la validación.
Descripción de las figuras
Figura 1 , diagrama de bloques de funcionamiento del procedimiento
Se aprecia los diferentes bloques que conlleva la aplicación de este método: (1) aceitunas procedentes de la cata de una cocedera, (2) teñido y secado de la aceituna cortada, (3) ubicación de las aceitunas teñidas y secadas sobre fondo oscuro, (4) captura y digitalización de la imagen con iluminación constante, (5) análisis y obtención del tiempo de cocido, (6) predicción temporal para un porcentaje de cocido dado.
Figura 2, imagen preferente de aceituna tras procesado
(1) Fondo oscuro contrastante con la aceituna
(2) Pulpa cocida de la aceituna con NaOH
(3) Pulpa y hueso sin ataque por NaOH
Descripción de la invención
Para determinar el porcentaje de cocido en NaOH de las aceitunas, partimos de una cata de las mismas procedentes de la cocedera y se efectúa un corte de las mismas de forma longitudinal a ras del hueso, seguidamente se aplica una tintura sensible a la presencia de NaOH, se secan las aceitunas se ubican formando una matriz de 4x4 o 4x5 aceitunas y se captura una imagen de las mismas sobre un fondo oscuro con unos niveles de iluminación constantes e idénticos para todas las repeticiones que se lleven a cabo en el procedimiento. De la imagen obtenida segmentaremos: fondo (1), pulpa atacada por NaOH (2) y pulpa y hueso sin atacar por NaOH (3). A partir de aquí determinamos que porcentaje del total de la aceituna ya ha sido cocido para esa muestra, quedando almacenado el resultado en una base de datos. Con los datos de las catas sucesivas ajustaremos la tendencia y así podremos predecir el momento óptimo de finalización del cocido. Modo preferente de realización de la invención
a) Fruto:
A las muestras de aceitunas cortadas manualmente, se les aplica un marcador de teñido sensible al NaOH, se dejan secar y se disponen sobre un soporte de fondo oscuro (1) (negro, azul). Este procedimiento nos asegura un mayor contraste entre el fondo, la tintura que se deposita en la zona atacada por el NaOH (2) y la zona aún intacta del centro del fruto (3).
b) Sistema de imagen:
La imagen es adquirida empleando cámaras (CCD, CMOS), o un escáner que permitan procesar las imágenes siempre en idénticas condiciones de iluminación. Las imágenes obtenidas son digitalizadas y enviadas a un P.C. para ser analizadas o alternativamente a un sistema autónomo basado en FPGA, DSP o Microcontrolador.
c) Procesado de imagen:
1.-Se realiza un segmentado de la imagen en los tres planos de color RGB.
2. -Usando la información contenida en el plano R, separamos el fondo oscuro (negro, azul), del contorno de la aceituna.
3. -Usando la información contenida en el plano verde diferenciamos la parte penetrada por el NaOH de la que aún está intacta.
4. -Con la información hasta ahora obtenida, determinamos la porción que esta cocida del total de la aceituna. d) Predicción del momento óptimo de finalización del cocido:
Mediante ajuste no lineal o con el empleo de una red neuronal entrenada cuantificamos para un porcentaje de cocido dado el momento en el que se va a alcanzar:
1. -Determinamos varios valores de porcentaje de cocido para tiempos cortos (de 2 a 4 horas) en los que sabemos que no se ha alcanzado aún el valor óptimo de cocido.
2. - A partir de ellos y aplicando las condiciones iniciales del problema (en el instante inicial el porcentaje de cocido es 0% y para un tiempo muy largo ( más de 15 horas), el porcentaje total de cocido es del 100%), determinamos el momento óptimo de cocido o para un porcentaje solicitado (p.e. 90-95%), en qué momento se va a alcanzar.

Claims

Reivindicaciones
1.- Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa caústica de aceitunas y predicción del momento óptimo de finalización del mismo, caracterizado porque comprende: a) aceitunas en proceso de cocción con NaOH cortadas longitudinalmente para su inspección visual.
b) teñido y secado de las aceitunas cortadas longitudinalmente para diferenciar la parte atacada por NaOH de la que aún está intacta.
c) un sistema de captura y digitalización de imágenes basado en cámaras o escáner de las aceitunas teñidas sobre un fondo contrastante.
d) el análisis de la imagen de las aceitunas teñidas sobre un fondo contrastante basado en P.C. o en un sistema autónomo con FPGA, DSP o Microcontrolador.
e) una segmentación de la imagen en planos de color, para determinar de forma cuantitativa la porción que esta cocida del total de la aceituna.
f) un ajuste no lineal o una red neuronal entrenada para estimar el momento óptimo de cocido o el tiempo necesario para alcanzar un porcentaje del mismo.
2- Según reivindicación 1 , caracterizado porque se evitan errores en el tiempo de cocción por exceso o defecto que reducen la calidad final del producto, al eliminar la componente subjetiva humana.
PCT/ES2012/000104 2011-04-26 2012-04-24 Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo Ceased WO2012146799A1 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ES201100462A ES2394821B2 (es) 2011-04-26 2011-04-26 Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo
ESP201100462 2011-04-26

Publications (1)

Publication Number Publication Date
WO2012146799A1 true WO2012146799A1 (es) 2012-11-01

Family

ID=47071631

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2012/000104 Ceased WO2012146799A1 (es) 2011-04-26 2012-04-24 Procedimiento para la determinación cuantitativa del porcentaje de cocido en sosa cáustica de aceitunas y predicción del momento óptimo de finalización del mismo

Country Status (2)

Country Link
ES (1) ES2394821B2 (es)
WO (1) WO2012146799A1 (es)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES236093A1 (es) * 1957-06-15 1957-12-16 Izquierdo Benito Leandro Procedimiento y aparato para lograr la fermentaciën de la aceituna, en forma dirigida
US4122951A (en) * 1977-02-28 1978-10-31 Alaminos Jose I L Machine for the automatic detection of blemishes in olives and other fruits
JP2006191854A (ja) * 2005-01-13 2006-07-27 Kagawa Prefecture オリーブ茶およびその製造方法
ES2327308A1 (es) * 2007-12-26 2009-10-27 Instituto Andaluz De Investigacion Y Formacion Agraria, Pesquera, Alimentaria Y De La Produccion Aparato y procedimiento para el calentamiento en continuo y uniforme de masa de aceituna molida por ultrasonidos.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES236093A1 (es) * 1957-06-15 1957-12-16 Izquierdo Benito Leandro Procedimiento y aparato para lograr la fermentaciën de la aceituna, en forma dirigida
US4122951A (en) * 1977-02-28 1978-10-31 Alaminos Jose I L Machine for the automatic detection of blemishes in olives and other fruits
JP2006191854A (ja) * 2005-01-13 2006-07-27 Kagawa Prefecture オリーブ茶およびその製造方法
ES2327308A1 (es) * 2007-12-26 2009-10-27 Instituto Andaluz De Investigacion Y Formacion Agraria, Pesquera, Alimentaria Y De La Produccion Aparato y procedimiento para el calentamiento en continuo y uniforme de masa de aceituna molida por ultrasonidos.

Also Published As

Publication number Publication date
ES2394821A1 (es) 2013-02-05
ES2394821B2 (es) 2013-08-29

Similar Documents

Publication Publication Date Title
Xing et al. Detecting bruises on ‘Golden Delicious’ apples using hyperspectral imaging with multiple wavebands
Li et al. Multispectral detection of skin defects of bi-colored peaches based on vis–NIR hyperspectral imaging
Chen et al. Machine vision technology for agricultural applications
Lee et al. Hyperspectral near-infrared imaging for the detection of physical damages of pear
Li et al. Fast detection and visualization of early decay in citrus using Vis-NIR hyperspectral imaging
ElMasry et al. Early detection of apple bruises on different background colors using hyperspectral imaging
Fan et al. Detection of blueberry internal bruising over time using NIR hyperspectral reflectance imaging with optimum wavelengths
Park et al. Contaminant classification of poultry hyperspectral imagery using a spectral angle mapper algorithm
Cen et al. Nondestructive detection of chilling injury in cucumber fruit using hyperspectral imaging with feature selection and supervised classification
Lu et al. Non-destructive defect detection of apples by spectroscopic and imaging technologies: a review
Zhang et al. Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging
Gowen et al. Hyperspectral imaging combined with principal component analysis for bruise damage detection on white mushrooms (Agaricus bisporus)
Xing et al. Combination of chemometric tools and image processing for bruise detection on apples
Wang et al. Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging
Guzmán et al. Infrared machine vision system for the automatic detection of olive fruit quality
Liu et al. Development of a simple algorithm for the detection of chilling injury in cucumbers from visible/near-infrared hyperspectral imaging
Li et al. Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging
Xing et al. Stem-end/calyx identification on apples using contour analysis in multispectral images
Kim et al. Citrus black spot detection using hyperspectral imaging
Lu et al. Quality evaluation of apples
Torres et al. Setting up a methodology to distinguish between green oranges and leaves using hyperspectral imaging
CN107403181B (zh) 基于广式腊肠高光谱图像的瘦肉与肥肉自适应分离的方法
Xing et al. Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system
Alfatni et al. Recent methods and techniques of external grading systems for agricultural crops quality inspection-review
Alam et al. Apple defects detection using principal component features of multispectral reflectance imaging

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12776888

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12776888

Country of ref document: EP

Kind code of ref document: A1