WO2023002087A1 - Sistema de clasificación automatizada de lomos de pescado y procedimiento asociado - Google Patents
Sistema de clasificación automatizada de lomos de pescado y procedimiento asociado Download PDFInfo
- Publication number
- WO2023002087A1 WO2023002087A1 PCT/ES2022/070485 ES2022070485W WO2023002087A1 WO 2023002087 A1 WO2023002087 A1 WO 2023002087A1 ES 2022070485 W ES2022070485 W ES 2022070485W WO 2023002087 A1 WO2023002087 A1 WO 2023002087A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- fish
- loins
- artificial vision
- hyperspectral
- loin
- Prior art date
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims abstract description 3
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 3
- 230000005055 memory storage Effects 0.000 claims abstract description 3
- 238000003860 storage Methods 0.000 claims abstract description 3
- 230000005855 radiation Effects 0.000 claims abstract 2
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 24
- 235000014655 lactic acid Nutrition 0.000 description 12
- 239000004310 lactic acid Substances 0.000 description 12
- 235000013372 meat Nutrition 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003307 slaughter Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22C—PROCESSING MEAT, POULTRY, OR FISH
- A22C17/00—Other devices for processing meat or bones
- A22C17/0073—Other devices for processing meat or bones using visual recognition, X-rays, ultrasounds, or other contactless means to determine quality or size of portioned meat
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22C—PROCESSING MEAT, POULTRY, OR FISH
- A22C25/00—Processing fish ; Curing of fish; Stunning of fish by electric current; Investigating fish by optical means
- A22C25/04—Sorting fish; Separating ice from fish packed in ice
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/845—Objects on a conveyor
Definitions
- the present invention is part of the food sector, more specifically within the field of measuring devices and instruments used in the food sector to verify the quality of products, and more specifically to artificial vision instruments that collect images in different spectral bands.
- Yake refers to the burned appearance left in the tuna meat, and which occurs if during the fishing process, the tuna are subjected to a level of high stress, so that they are forced to increase physical activity, producing large amounts of lactic acid in muscle tissue, which is stored in the muscle after slaughtering the fish, causing the aforementioned change in color, texture, and even in the taste of meat.
- the difference in appearance is very significant; however, when the tuna is frozen it acquires a brownish tone very similar to that of the tissue affected by the previous defect, making it impossible to differentiate it with the naked eye. sight, or even through the use of numerous inspection systems that are based on the visible spectrum.
- tuna is frozen from the first moment after the slaughter of the animal, by freezing by immersion in brine below zero degrees Celsius. That is to say, we are faced with a situation in which it is not possible to carry out a classification of the quality of the fish, differentiating between that meat affected by the Yake, and that which is only frozen.
- This problem can cause large percentages of the production to be sent from the origin with a large percentage of the product affected by this ailment, so that when it is thawed to continue with another processing stage, such as filleting, the yake problem, so that the meat received cannot be used for the initial purpose, only for canning, reducing the value of the product between 7 and 10 times.
- document ES2445245 belongs to the state of the art, which describes a robotic cell with a robotic arm, a fruit feeding belt and several output belts, which lead to the different types of packaging, with a system lighting and where the cell performs a stage of processing on the fruit, making a selection of the size, a detection of defects and a final packaging.
- document ES2445245 also includes an intelligent multispectral vision system, which guides the robotic arm in its functions of collecting and depositing the fruit in its packaging, using segmentation techniques based on artificial vision and advanced classification techniques.
- hyperspectral images are also widely known, which consist of processing and collecting information throughout the entire electromagnetic spectrum, including those wavelengths that are not visible to the human eye.
- hyperspectral sensors target objects using a large portion of the electromagnetic spectrum, so different materials leave unique fingerprints across the entire spectrum used, known as spectral signatures.
- ES2310154 describes a device and a method for obtaining multispectral images, from a set of light sources that are turned on individually and sequentially by means of a control system, while An artificial vision camera collects an image at each wavelength, based on a spectroscopic analysis of the materials to be differentiated from the analyzed sample.
- none of the existing systems on the market and/or belonging to the state of the art refers to a method for the detection of lactic acid in pieces of fish through the use of multispectral images, with the aim of determining the quality of the images. themselves from an analysis of the results obtained.
- the invention proposes a method for detecting lactic acid present in fish loins, preferably tuna, as a system that helps determine the quality of said loins based on the amount of lactic acid detected.
- the present invention proposes the use of hyperspectral images, through which the response of the fish loin tissue is analyzed against the different wavelengths in the near infrared band that will vary depending on the amount of lactic acid present. on the loins. It can be used as a measuring instrument to carry out the classification.
- an artificial vision camera which obtains images from spectroscopic sensors to analyze the production lines, so that the fish loins pass in front of the camera, this being the one in charge of collecting the different images line by line as the objects advance, and performing the spectral decomposition of each one of the lines, producing a hypercube that will have as many bands as the spectrograph and the sensor are capable of obtaining.
- the loins will be classified according to the amount of lactic acid.
- Figure 1. Shows an example of a hyperspectral image
- Figure 2. Shows another example of a hyperspectral image
- the present invention proposes an automated classification system for fish loins that comprises at least one artificial vision hyperspectral camera, with at least one memory storage unit and at least one control unit operatively connected to the previous means,
- the artificial vision hyperspectral camera is configured to capture images in a plurality of wavelengths coming from the illumination of a fish loin from which a hyperspectral image is to be obtained.
- the control unit is configured to perform a classification of the fish loins based on the images taken by the hyperspectral camera, and in comparison with the data stored in the storage unit.
- the present invention proposes the use of a lighting system and an artificial vision camera, which will be capable of emitting and capturing images at different wavelengths, to obtain spectral bands of the different fish loins.
- the hyperspectral camera will work in the 800 to 1800nm band, and can reach up to 2500nm, that is, in the lower part of the near infrared spectrum.
- the fish loins will be transported by a continuous transport element, such as a conveyor belt, so that the hyperspectral camera is configured to take measurements of all those fish loins that are circulating on its field of view, performing automated classification.
- a continuous transport element such as a conveyor belt
- the classification of the fish loin is carried out based on the analysis carried out, and in comparison with the information previously stored on the proportions of lactic acid and the quality indices.
- a procedure is proposed through which the artificial vision hyperspectral camera performs a sweep of the fish loins, obtaining the amount of lactic acid present in each of the pieces, allowing an analysis and/or a comparison to be carried out to classify. and determine the destination of each of the fish loins.
- the classification will be carried out taking into account the differences that healthy tissue presents with respect to tissue affected with yake at the level of reflected light along the spectrum mentioned in the previous descriptions.
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Food Science & Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Sistema de clasificación automatizada de lomos de pescado que comprende al menos una cámara hiperespectral de visión artificial, al menos una unidad de almacenamiento en memoria de información, y al menos una unidad de control conectada operativamente, caracterizado porque el sistema de iluminación emitirá luz en una zona amplia del espectro infrarrojo próximo (una pluralidad de longitudes de onda) e iluminará un lomo de pescado del que se quiere obtener una imagen hiperespectral y la cámara hiperespectral capturará la radiación reflejada por el lomo de pescado realizando la descomposición espectral y generando la imagen con las bandas correspondientes, donde la unidad de control está configurada para realizar una clasificación de los lomos de pescado en función de las imágenes tomadas por la cámara hiperespectral de visión artificial y la información almacenada en la unidad de almacenamiento.
Description
SISTEMA DE CLASIFICACIÓN AUTOMATIZADA DE LOMOS DE PESCADO Y
PROCEDIMIENTO ASOCIADO
SECTOR DE LA TÉCNICA
La presente invención se enmarca dentro del sector de la alimentación, más concretamente dentro del campo de los aparatos e instrumentos de medida utilizados en el sector de la alimentación para verificar la calidad de los productos, y más concretamente a los instrumentos de visión artificial que recogen imágenes en diferentes bandas espectrales.
ANTECEDENTES DE LA INVENCIÓN
En la actualidad, el proceso de pesca y posterior tratamiento del atún, tiene una relevancia significativa en la calidad de los productos.
Como es bien sabido, uno de los problemas más críticos es el denominado Yake, que hace referencia al aspecto quemado que queda en la carne del atún, y que se da si durante el proceso de pesca, los atunes se ven sometidos a un nivel de estrés elevado, de manera que se ven obligados a incrementar la actividad física, produciendo grandes cantidades de ácido láctico en el tejido muscular, que se almacena en el músculo tras el sacrificio del pescado, provocando el precitado cambio de color, textura, e incluso en el sabor de la carne.
De esta forma, y sobre todo cuando el atún está fresco, la diferencia de aspecto es muy significativa, sin embargo, cuando el atún se congela adquiere un tono pardo muy similar al del tejido afectado por el defecto anterior, haciendo imposible la diferenciación a simple vista, o incluso mediante la utilización de numerosos sistemas de inspección que se basen en el espectro visible.
Al desarrollo anterior hay que añadir que el atún se congela desde el primer momento tras el sacrificio del animal, mediante congelación mediante inmersión en salmuera por debajo de los cero grados centígrados.
Es decir, nos encontramos ante una situación en la que no es posible realizar una clasificación de la calidad del pescado, diferenciando entre aquella carne afectada por el Yake, y aquella que únicamente está congelada.
Este problema puede generar que grandes porcentajes de la producción se envíen desde el origen con un gran porcentaje del producto afectado por esta dolencia, de forma que, al ser descongelado para seguir con otra etapa de procesado, como por ejemplo el fileteado, se detecte el problema del yake, de forma que la carne recibida no pueda ser aprovechada para el fin inicial, únicamente para conserva, reduciéndose el valor del producto entre 7 y 10 veces.
Es por ello que se hace necesaria la utilización de algún sistema de análisis de la carne del atún, de manera que se pueda detectar la presencia de ácido láctico en el tejido para poder clasificarlo en función del nivel de afectación por yake.
En este sentido, existen en el estado de la técnica numerosos documentos que hacen referencia a análisis de alimentos en las líneas de producción, con el objetivo de realizar un control de calidad.
Por ejemplo, pertenece al estado de la técnica el documento ES2445245, en el que se describe una celda robotizada con un brazo robotizado, una cinta de alimentación de fruta y varias cintas de salida, que conducen a los distintos tipos de embalaje, con un sistema de iluminación y donde la celda realiza una etapa de procesamiento sobre los frutos, realizando una selección del calibre, una detección de los defectos y un envasado final. Así mismo, comprende también un sistema de visión multiespectral inteligente, que quía al brazo robótico en sus funciones de recogida y depositado de las frutas en sus embalajes, utilizando técnicas de segmentación basadas en visión artificial y técnicas avanzadas de clasificación.
Por otro lado, también son ampliamente conocidas las imágenes hiperespectrales que consisten en procesar y recopilar información a lo largo de todo el espectro electromagnético, incluyendo aquellas longitudes de onda que no son visibles para el ojo humano.
Mediante estos sistemas, los sensores hiperespectrales apuntan a los objetos utilizando una gran porción del espectro electromagnético, de forma que los diferentes materiales dejan huellas únicas en el todo el espectro utilizado, conocidas como firmas espectrales.
Estos sensores han venido siendo utilizados en numerosos sectores, como la agricultura, la minería o la vigilancia, mediante un conjunto de imágenes recopiladas, en la que cada imagen representa un rango del espectro electromagnético, conocido como banda espectral.
Por ejemplo, podemos encontrar el documento ES2310154, en el que se describe un dispositivo y un método para la obtención de imágenes multiespectrales, a partir de un conjunto de fuentes de luz que son encendidas individualmente y de forma secuencial mediante un sistema de control, mientras una cámara de visión artificial recoge una imagen a cada longitud de onda, a partir de un análisis espectroscópico de los materiales que se quieren diferenciar de la muestra analizada.
Sin embargo, ninguno de los sistemas existentes en el mercado y/o pertenecientes al estado de la técnica hace referencia a un método de detección de ácido láctico en piezas de pescado mediante la utilización de imágenes multiespectrales, con el objetivo de determinar la calidad de las mismas a partir de un análisis de los resultados obtenidos.
EXPLICACIÓN DE LA INVENCIÓN
El sistema de clasificación automatizada de lomos de pescado que la invención propone se configura, pues, como destacable novedad dentro de su campo de aplicación, ya que a tenor de su implementación y de manera taxativa se alcanzan satisfactoriamente los objetivos señalados, estando los detalles caracterizadores que lo hacen posible y que los distinguen convenientemente recogidos en las reivindicaciones finales que acompañan a la presente descripción.
Concretamente, la invención plantea un método de detección del ácido láctico presente en los lomos de pescado, preferiblemente atún, como sistema que ayude a determinar la calidad de los citados lomos a partir de la cantidad de ácido láctico detectado.
Para ello, la presente invención plantea la utilización de imágenes hiperespectrales, mediante las que se analiza la respuesta del tejido del lomo de pescado frente a las diferentes longitudes de onda en la banda de infrarrojo próximo que variarán en función de la cantidad de ácido láctico presente en los lomos. Pudiendo ser utilizado como instrumento de medición para realizar la clasificación.
Así mismo, se plantea la utilización de una cámara de visión artificial, que obtiene imágenes a partir de sensores espectroscópicos para analizar las líneas de producción, de manera que los lomos de pescado vayan pasando por delante de la cámara, siendo ésta la encargada de recoger las diferentes imágenes línea a línea conforme avanzan los objetos, y realizando la descomposición espectral de cada una de las líneas, produciendo un hipercubo que tendrá tantas bandas como el espectrógrafo y el sensor sean capaces de obtener.
Por otro lado, se plantea la utilización de iluminación halógena en las zonas en las que se va a realizar el barrido con el escáner, ya que comprende un espectro de emisión plano o relativamente plano en la banda que resulta de interés para el presente cometido. Sin embargo, cabe la posibilidad de que se deba realizar un diseño específico para cada situación, con el objetivo de lograr una uniformidad adecuada al volumen de trabajo y al tamaño del producto.
Una vez obtenida la anterior información, se procederá a realizar la clasificación de los lomos en función de la cantidad de ácido láctico.
El sistema de clasificación automatizada de lomos de pescado y el conjunto de elementos descritos representan una innovación de características estructurales y constitutivas desconocidas hasta ahora, razones que, unidas a su utilidad práctica, le dotan de fundamento suficiente para obtener el privilegio de exclusividad que se solicita.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
Para complementar la descripción que se está realizando y con objeto de ayudar a una mejor comprensión de las características de la invención, se acompaña como parte integrante de dicha descripción, un juego de dibujos en donde con carácter ilustrativo y no limitativo, se ha representado lo siguiente:
Figura 1.- Muestra un ejemplo de imagen hiperespectral Figura 2.- Muestra otro ejemplo de imagen hiperespectral
REALIZACIÓN PREFERENTE DE LA INVENCIÓN
En la siguiente descripción detallada de las realizaciones preferentes, se hace referencia a los dibujos adjuntos que forman parte de esta memoria, y en los que se muestran a modo de ilustración realizaciones preferentes específicas en las que la invención puede llevarse a cabo. Estas realizaciones se describen con el suficiente detalle como para permitir que los expertos en la técnica lleven a cabo la invención, y se entiende que pueden utilizarse otras realizaciones y que pueden realizarse cambios lógicos estructurales, mecánicos, eléctricos y/o químicos sin apartarse del alcance de la invención. Para evitar detalles no necesarios para permitir a los expertos en la técnica llevar a cabo la descripción detallada no debe, por tanto, tomarse en un sentido limitativo.
Concretamente, la presente invención plantea un sistema de clasificación automatizada de lomos de pescado que comprende al menos una cámara hiperespectral de visión artificial, con al menos una unidad de almacenamiento en memoria y al menos una unidad de control conectada operativamente a los medios anteriores,
Que está caracterizado porque la cámara hiperespectral de visión artificial está configurada para capturar imágenes en una pluralidad de longitudes de onda provenientes de la iluminación de un lomo de pescado del que se quiere obtener una imagen hiperespectral.
Donde la unidad de control está configurada para realizar una clasificación de los lomos de pescado en función de las imágenes tomadas por la cámara hiperespectral, y en comparación con los datos almacenados en la unidad de almacenamiento.
Es decir, la presente invención plantea la utilización de un sistema de iluminación y una cámara de visión artificial, que serán capaces de emitir y capturar imágenes en diferentes longitudes de onda, para la obtención de bandas espectrales de los diferentes lomos de pescado.
De forma que frente a la banda espectral obtenida, y/o la combinación de las diferentes bandas espectrales, y teniendo en cuenta que aquellas partes que comprendan una mayor cantidad de ácido láctico rebotarán la luz de diferente forma, se podrá detectar la presencia y/o distribución de ácido láctico, así como estimar la cantidad de ácido láctico de cada lomo y, por tanto, la calidad de cada uno de ellos, pudiendo clasificarlos de manera automática.
En una realización preferente, la cámara hiperespectral trabajará en la banda de 800 a 1800nm, y pudiendo llegar hasta los 2500nm, es decir, en la parte baja del espectro infrarrojo cercano.
Así mismo, en otra realización preferente, los lomos de pescado irán transportados por un elemento de transporte en continuo, como una cinta transportadora, de manera que la cámara hiperespectral está configurada para ir tomando mediciones de todos aquellos lomos de pescado que van circulando por su campo de visión, realizando la clasificación automatizada.
También se presenta el procedimiento de funcionamiento del sistema anterior, que comprenderá al menos los siguientes pasos:
Captura mediante barrido de diferentes imágenes hiperespectrales, donde cada imagen hiperespectral se corresponde con una sección del objeto que se está analizando, en este caso un lomo de pescado;
- A continuación se descompone el espectro de luz en diferentes bandas del espectro para cada sección capturada
Se realiza el análisis del lomo de pescado ante la incidencia y la reflexión de las diferentes longitudes de onda;
Finalmente se realiza la clasificación del lomo de pescado en función del análisis realizado, y en comparación con la información almacenada previamente sobre las proporciones de ácido láctico y los índices de calidad.
Es decir, se plantea un procedimiento mediante el cual la cámara hiperespectral de visión artificial realiza un barrido de los lomos de pescado, obteniendo la cantidad de ácido láctico presente en cada una de las piezas, permitiendo realizar un análisis y/o una comparación para clasificar y determinar el destino de cada uno de los lomos de pescado.
De esta forma, y como se ha comentado con anterioridad, se evita que los lomos de mayor calidad se destinen a los mercados de menor valor y, por el contrario, que aquellos lomos que sean de una calidad inferior se destinen a los mercados que requieren calidades superiores.
Particularmente, la clasificación se realizará atendiendo a las diferencias que presenta el tejido sano respecto del tejido afectado con yake a nivel de la luz reflejada a lo largo del espectro mencionado en las descripciones anteriores.
Descrita suficientemente la naturaleza de la presente invención, así como la manera de ponerla en práctica, no se considera necesario hacer más extensa su explicación para que cualquier experto en la materia comprenda su alcance y las ventajas que de ella se derivan, haciéndose constar que, dentro de su esencialidad, podrá ser llevada a la práctica en otras formas de realización que difieran en detalle de la indicada a título de ejemplo, y a las cuales alcanzará igualmente la protección que se recaba siempre que no se altere, cambie o modifique su principio fundamental.
Claims
1. Sistema de clasificación automatizada de lomos de pescado que comprende al menos un sistema de iluminación y una cámara de visión artificial, al menos una unidad de almacenamiento en memoria de información, y al menos una unidad de control conectada operativamente, caracterizado porque el sistema de iluminación está configurado para emitir luz en una pluralidad de longitudes de onda de la zona amplia del espectro infrarrojo cercano, y para iluminar un lomo de pescado; y la cámara de visión artificial está configurada para obtener una imagen a partir de la radiación reflejada por el lomo de pescado y realizar una descomposición espectral, generando la imagen con las bandas espectrales; donde la unidad de control está configurada para realizar una clasificación de los lomos de pescado en función de las imágenes tomadas por la cámara hiperespectral de visión artificial y la información almacenada en la unidad de almacenamiento.
2. Sistema de clasificación automatizada de lomos de pescado según la primera reivindicación caracterizado porque la cámara de visión artificial es una cámara hiperespectral.
3. Sistema de clasificación automatizada de lomos de pescado según la anterior reivindicación caracterizado porque la cámara hiperespectral trabaja en la banda de 800 a 2700 nm.
4. Sistema de clasificación automatizada de lomos de pescado según la primera reivindicación caracterizado porque comprende un elemento de transporte en continuo de lomos de pescado, donde la cámara de visión artificial está configurada para capturar imágenes en continuo.
5. Procedimiento para sistema de clasificación automatizada de lomos de pescado según cualquiera de las reivindicaciones anteriores que comprende al menos los siguientes pasos: o Captura mediante barrido de diferentes imágenes, donde cada imagen se corresponde con una sección del objeto que se está analizando; o Descomposición del espectro de luz en diferentes bandas del espectro para
cada sección capturada, obteniendo la banda espectral; o Análisis de la respuesta del lomo de pescado ante la incidencia de las diferentes longitudes de onda; o Clasificación de la calidad del lomo de pescado en función del análisis realizado.
6. Procedimiento para sistema de clasificación automatizada de lomos de pescado según la reivindicación anterior caracterizado porque las imágenes tomadas son imágenes hiperespectrales.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES202130713A ES2933045A1 (es) | 2021-07-23 | 2021-07-23 | Sistema de clasificacion automatizada de lomos de pescado y procedimiento asociado |
ESP202130713 | 2021-07-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023002087A1 true WO2023002087A1 (es) | 2023-01-26 |
Family
ID=83115614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/ES2022/070485 WO2023002087A1 (es) | 2021-07-23 | 2022-07-22 | Sistema de clasificación automatizada de lomos de pescado y procedimiento asociado |
Country Status (2)
Country | Link |
---|---|
ES (1) | ES2933045A1 (es) |
WO (1) | WO2023002087A1 (es) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2310154A1 (es) | 2008-05-07 | 2008-12-16 | Universidad De Cantabria. | Dispositivo y metodo para la obtencion de imagenes multiespectrales optimizadas para la discriminacion de materiales. |
US20110273558A1 (en) * | 2009-01-10 | 2011-11-10 | Goldfinch Solutions, Llc | System and Method for Analyzing Properties of Meat Using Multispectral Imaging |
ES2445245A2 (es) | 2012-08-28 | 2014-02-28 | Universidad De Extremadura | Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y sistema robotizado |
US9176110B1 (en) * | 2013-09-13 | 2015-11-03 | The United States Of America, As Represented By The Secretary Of Agriculture | Method of determining histamine concentration in fish |
US20200193587A1 (en) * | 2018-08-16 | 2020-06-18 | Thai Union Group Public Company Limited | Multi-view imaging system and methods for non-invasive inspection in food processing |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3629717A4 (en) * | 2017-05-29 | 2021-03-03 | Ecotone AS | METHOD AND SYSTEM FOR HYPERSPECTRAL UNDERWATER IMAGING OF FISH |
CN108645798A (zh) * | 2018-03-19 | 2018-10-12 | 河南科技学院 | 在线快速检测鸡肉乳酸菌含量的方法 |
-
2021
- 2021-07-23 ES ES202130713A patent/ES2933045A1/es active Pending
-
2022
- 2022-07-22 WO PCT/ES2022/070485 patent/WO2023002087A1/es unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2310154A1 (es) | 2008-05-07 | 2008-12-16 | Universidad De Cantabria. | Dispositivo y metodo para la obtencion de imagenes multiespectrales optimizadas para la discriminacion de materiales. |
US20110273558A1 (en) * | 2009-01-10 | 2011-11-10 | Goldfinch Solutions, Llc | System and Method for Analyzing Properties of Meat Using Multispectral Imaging |
ES2445245A2 (es) | 2012-08-28 | 2014-02-28 | Universidad De Extremadura | Celda para el control de calidad de fruta mediante un sistema de visión multiespectral inteligente y sistema robotizado |
US9176110B1 (en) * | 2013-09-13 | 2015-11-03 | The United States Of America, As Represented By The Secretary Of Agriculture | Method of determining histamine concentration in fish |
US20200193587A1 (en) * | 2018-08-16 | 2020-06-18 | Thai Union Group Public Company Limited | Multi-view imaging system and methods for non-invasive inspection in food processing |
Non-Patent Citations (1)
Title |
---|
MATEO A ET AL: "Quality analysis of tuna meat using an automated color inspection system", AQUACULTURAL ENGENEERING, ELSEVIER SCIENCE PUBLISHERS LTD, AMSTERDAM NL, vol. 35, no. 1, 19 October 2005 (2005-10-19), pages 1 - 13, XP029171650, ISSN: 0144-8609, DOI: 10.1016/J.AQUAENG.2005.06.007 * |
Also Published As
Publication number | Publication date |
---|---|
ES2933045A1 (es) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ElMasry et al. | Meat quality evaluation by hyperspectral imaging technique: an overview | |
Lu et al. | Hyperspectral imaging technology for quality and safety evaluation of horticultural products: A review and celebration of the past 20-year progress | |
Kamruzzaman et al. | Non-invasive analytical technology for the detection of contamination, adulteration, and authenticity of meat, poultry, and fish: A review | |
Cheng et al. | Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods: Current research and potential applications | |
Cheng et al. | Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging | |
CN110057838B (zh) | 用于确定甲壳动物物理属性的成像 | |
Sivertsen et al. | Automatic freshness assessment of cod (Gadus morhua) fillets by Vis/Nir spectroscopy | |
Zhu et al. | Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen–thawed fish fillets | |
Kamruzzaman et al. | Application of NIR hyperspectral imaging for discrimination of lamb muscles | |
Cheng et al. | Rapid quantification analysis and visualization of Escherichia coli loads in grass carp fish flesh by hyperspectral imaging method | |
Xiong et al. | Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: A review | |
Xiong et al. | Combination of spectra and texture data of hyperspectral imaging for differentiating between free-range and broiler chicken meats | |
Gowen et al. | Hyperspectral imaging–an emerging process analytical tool for food quality and safety control | |
Cheng et al. | Integration of classifiers analysis and hyperspectral imaging for rapid discrimination of fresh from cold-stored and frozen-thawed fish fillets | |
Xiong et al. | Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat | |
Cheng et al. | Data fusion and hyperspectral imaging in tandem with least squares-support vector machine for prediction of sensory quality index scores of fish fillet | |
Windham et al. | Visible/NIR spectroscopy for characterizing fecal contamination of chicken carcasses | |
Iqbal et al. | An overview on principle, techniques and application of hyperspectral imaging with special reference to ham quality evaluation and control | |
WO2008016309A1 (en) | Multi-modal machine-vision quality inspection of food products | |
CA2437876A1 (en) | Method and system for fecal and ingesta detection during meat and poultry processing | |
Cheng et al. | Comparison of visible and long-wave near-infrared hyperspectral imaging for colour measurement of grass carp (Ctenopharyngodon idella) | |
Dai et al. | Potential of hyperspectral imaging for non-invasive determination of mechanical properties of prawn (Metapenaeus ensis) | |
ElMasry et al. | Meat quality assessment using a hyperspectral imaging system | |
Liu et al. | Simple algorithms for the classification of visible/near-infrared and hyperspectral imaging spectra of chicken skins, feces, and fecal contaminated skins | |
Yang et al. | Prediction of quality traits and grades of intact chicken breast fillets by hyperspectral 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: 22761260 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |