Оптическая сортировка - Optical sorting

Оптическая сортировка (иногда называют цифровая сортировка) - это автоматизированный процесс сортировка твердые продукты с использованием камеры и / или лазеры.

В зависимости от типов используемых датчиков и программного обеспечения интеллектуального обработка изображений Система оптических сортировщиков может распознавать цвет, размер, форму, структурные свойства и химический состав объектов.[1] Сортировщик сравнивает объекты с заданными пользователем критериями принятия / отклонения для выявления и удаления дефектных продуктов и посторонних материалов (FM) с производственной линии или для разделения продуктов из разных сортов или типов материалов.

Оптическая сортировка обеспечивает неразрушающий 100-процентный контроль на линии при полном объеме производства.

Оптические сортировщики широко используются в пищевая промышленность во всем мире, с наибольшим распространением в переработке собранных пищевых продуктов, таких как картофель, фрукты, овощи и орехи, где достигается неразрушающий 100-процентный контроль на линии при полном объеме производства. Технология также используется в фармацевтическое производство и нутрицевтический производство, переработка табака, переработка отходов и другие отрасли. По сравнению с ручной сортировкой, которая носит субъективный и непоследовательный характер, оптическая сортировка помогает улучшить качество продукции, максимизировать пропускную способность и увеличить урожайность при одновременном снижении затрат на рабочую силу.[2]

История

Оптическая сортировка - это идея, которая впервые возникла из-за желания автоматизировать промышленную сортировку сельскохозяйственных товаров, таких как фрукты и овощи.[3] До того, как в 1930-х годах была изобретена технология автоматической оптической сортировки, такие компании, как Unitec, производили деревянное оборудование для оказания помощи в механической сортировке при переработке фруктов.[3] В 1931 году была учреждена компания, известная как «Electric Sorting Company», которая начала создание первых в мире сортировщиков по цвету, которые к 1932 году устанавливались и использовались в производстве фасоли в Мичигане.[4] В 1937 году была усовершенствована технология оптической сортировки, позволившая создать системы, основанные на двухцветном принципе отбора.[4] В следующие несколько десятилетий были установлены новые и улучшенные механизмы сортировки, такие как системы гравитационной подачи, и внедрена оптическая сортировка во многих сельскохозяйственных отраслях.[5]

В конце 1960-х годов оптическая сортировка стала применяться в новых отраслях, помимо сельского хозяйства, таких как сортировка черных и цветных металлов.[6] К 1990-м годам оптическая сортировка широко использовалась при сортировке твердых отходов.[6]

В связи с большой технологической революцией, произошедшей в конце 1990-х и начале 2000-х годов, оптические сортировщики стали более эффективными за счет внедрения новых оптических датчиков, таких как камеры CCD, УФ и ИК.[5] Сегодня оптическая сортировка используется в самых разных отраслях промышленности и, как таковая, реализуется с различным набором механизмов, помогающих в решении конкретной задачи сортировщика.

Система сортировки

Оптическая сортировка обеспечивает неразрушающий 100-процентный контроль на линии при полном объеме производства.

Как правило, оптические сортировщики состоят из четырех основных компонентов: системы подачи, оптической системы, программного обеспечения для обработки изображений и системы разделения.[7] Задача системы подачи - распределить продукты в однородный монослой, чтобы продукты подавались в оптическую систему равномерно, без комков, с постоянной скоростью. Оптическая система включает в себя источники света и датчики, расположенные над и / или под потоком проверяемых объектов. Система обработки изображений сравнивает объекты с определенными пользователем порогами принятия / отклонения, чтобы классифицировать объекты и активировать систему разделения. Система разделения - обычно сжатый воздух для мелких продуктов и механические устройства для более крупных продуктов, таких как цельный картофель, - точно определяет объекты в воздухе и отклоняет их в желоб для отбраковки, в то время как хороший продукт продолжает двигаться по своей нормальной траектории.

Выбор подходящего сортировщика зависит от области применения. Таким образом, характеристики продукта и цели пользователя определяют идеальные датчики, программные возможности и механическую платформу.

Датчики

Для оптических сортировщиков требуется комбинация источников света и датчиков для освещения и захвата изображений объектов для обработки изображений. Обработанные изображения определят, следует ли принять материал или отклонить.

Существуют сортировщики камер, лазерные сортировщики и сортировщики, которые объединяют их в одну платформу. Свет, камеры, лазеры и лазерные датчики могут быть разработаны для работы в диапазоне длин волн видимого света, а также инфракрасного (ИК) и ультрафиолетового (УФ) спектры. Оптимальные длины волн для каждого приложения увеличивают контраст между разделяемыми объектами. Камеры и лазерные датчики могут различаться по пространственному разрешению, при этом более высокое разрешение позволяет сортировщику обнаруживать и удалять более мелкие дефекты.

Сортировка по форме позволяет обнаруживать дефекты одного цвета и посторонние предметы.

Камеры

Монохромные камеры обнаруживают оттенки серого от черного до белого и могут быть эффективны при сортировке продуктов с высококонтрастными дефектами.

Сложные цветные камеры с высоким цветовым разрешением способны обнаруживать миллионы цветов, чтобы лучше различать более тонкие цветовые дефекты. Трехцветный цветные камеры (также называемые трехканальными камерами) делят свет на три полосы, которые могут включать красный, зеленый и / или синий в пределах видимого спектра, а также ИК и УФ.

В сочетании с интеллектуальным программным обеспечением сортировщики с камерами способны распознавать цвет, размер и форму каждого объекта; а также цвет, размер, форма и расположение дефекта на изделии. Некоторые интеллектуальные сортировщики даже позволяют пользователю определять дефектный продукт на основе общей площади дефектной поверхности любого данного объекта.

Лазеры

В то время как камеры фиксируют информацию о продукте, основанную в основном на отражательной способности материала, лазеры и их датчики могут различать структурные свойства материала вместе с его цветом. Эта проверка структурных свойств позволяет лазерам обнаруживать широкий спектр органических и неорганических посторонних материалов, таких как насекомые, стекло, металл, палки, камни и пластик; даже если они того же цвета, что и хороший товар.

Лазеры могут быть разработаны для работы в пределах определенных длин волн света; будь то в видимом спектре или за его пределами.[8] Например, лазеры могут обнаруживать хлорофилл, стимулируя флуоресценцию с использованием определенных длин волн; Этот процесс очень эффективен для удаления посторонних веществ из зеленых овощей.[9]

Комбинации камера / лазер

Сортировщики, оснащенные камерами и лазерами на одной платформе, как правило, способны определять самые разнообразные атрибуты. Камеры часто лучше распознают цвет, размер и форму, в то время как лазерные датчики определяют различия в структурных свойствах, чтобы максимально увеличить обнаружение и удаление посторонних материалов.

На гиперспектральном изображении картофельных полосок с сахарным концом видны невидимые дефекты.

Гиперспектральная визуализация

В связи с необходимостью решения ранее невозможных задач сортировки новое поколение сортировщиков мультиспектральный и гиперспектральное изображение системы разрабатываются.[10]

Как и трихроматические камеры, мультиспектральные и гиперспектральные камеры собирают данные из электромагнитного спектра. В отличие от трехцветных камер, которые разделяют свет на три полосы, гиперспектральные системы могут разделять свет на сотни узких полос в непрерывном диапазоне, охватывающем обширную часть электромагнитного спектра. По сравнению с тремя точками данных на пиксель, собранными трехцветными камерами, гиперспектральные камеры могут собирать сотни точек данных на пиксель, которые объединяются для создания уникального спектральная подпись (также называемый отпечатком пальца) для каждого объекта. В сочетании с мощным программным интеллектом гиперспектральный сортировщик обрабатывает эти отпечатки пальцев для сортировки по химическому составу продукта. Это новая область хемометрия.

Программно управляемый интеллект

Как только датчики фиксируют реакцию объекта на источник энергии, обработка изображения используется для обработки необработанных данных. Обработка изображений извлекает и классифицирует информацию о конкретных функциях. Затем пользователь определяет пороговые значения принятия / отклонения, которые используются для определения того, что хорошо и что плохо в потоке необработанных данных. Искусство и наука обработки изображений заключаются в разработке алгоритмы которые повышают эффективность сортировщика, предоставляя оператору простой пользовательский интерфейс.

Распознавание на основе объектов - классический пример программного обеспечения. Это позволяет пользователю определить дефектный продукт на основе того, где находится дефект в продукте, и / или общей площади дефектной поверхности объекта. Он предлагает больший контроль при определении более широкого спектра дефектных продуктов. При использовании для управления системой выброса сортировщика, он может повысить точность удаления дефектных продуктов. Это улучшает качество продукции и увеличивает урожайность.

Новые программные возможности постоянно разрабатываются для удовлетворения конкретных потребностей различных приложений. По мере того как вычислительное оборудование становится все более мощным, становятся возможными новые программные достижения. Некоторые из этих усовершенствований повышают эффективность сортировщиков для достижения лучших результатов, в то время как другие позволяют принимать совершенно новые решения по сортировке.

Платформы

Факторы, определяющие идеальную платформу для конкретного приложения, включают характер продукта - большой или маленький, влажный или сухой, хрупкий или небьющийся, круглый или легко стабилизируемый - и цели пользователя. Как правило, можно сортировать продукты размером меньше рисового зерна и размером с цельный картофель. Производительность варьируется от менее 2 метрических тонн продукта в час на сортировщиках малой производительности до более 35 метрических тонн продукта в час на сортировщиках высокой производительности.

Сортировщики каналов

Самыми простыми оптическими сортировщиками являются сортировщики каналов, разновидность сортировщик цвета которые могут быть эффективны для небольших, твердых и сухих продуктов постоянного размера и формы; например, рис и семена. Для этих продуктов сортировщики каналов предлагают доступное решение и простоту использования, занимая мало места. Сортировщики каналов оснащены монохроматическими или цветными камерами и удаляют дефекты и посторонние предметы только по разнице в цвете.

Для продуктов, которые не могут быть обработаны канальным сортировщиком - таких как мягкие, влажные или неоднородные продукты - и для переработчиков, которым требуется больший контроль над качеством своей продукции, используются сортировщики свободного падения (также называемые сортировщиками с водопадом или гравитационной подачей), лоток- с питанием, сортировщики или ленточные сортировщики более идеальны. Эти более сложные сортировщики часто оснащены усовершенствованными камерами и / или лазерами, которые в сочетании с умным программным обеспечением обнаруживают размер, форму, цвет, структурные свойства и химический состав объектов.

Сортировщики свободного падения и желоба

Как следует из названия, сортировщики свободного падения проверяют продукт в воздухе во время свободного падения, а сортировщики с подачей через лоток стабилизируют продукт на желобе перед проверкой в ​​воздухе. Основными преимуществами сортировщиков со свободным падением и с подачей через лоток по сравнению с ленточными сортировщиками являются более низкая цена и меньшие затраты на техническое обслуживание. Эти сортировщики часто наиболее подходят для орехов и ягод, а также для замороженных и сушеных фруктов, овощей, картофельных полосок и морепродуктов, а также для переработки отходов, требующих средней производительности.

Ленточные сортировщики

Оптические сортировщики могут работать в диапазоне длин волн видимого света, а также в ИК- и УФ-спектрах.

Ленточные сортировочные платформы часто предпочтительны для приложений с более высокой производительностью, таких как овощные и картофельные продукты перед консервированием, замораживанием или сушкой. Перед проверкой продукты часто стабилизируют на конвейерной ленте. Некоторые ленточные сортировщики проверяют продукты сверху ленты, в то время как другие сортировщики также отправляют продукты с ленты для проверки в воздухе. Эти сортировщики могут быть сконструированы для достижения традиционной двухсторонней сортировки или трехсторонней сортировки, если оборудованы две эжекторные системы с тремя выходными потоками.

Системы ADR

Пятый тип сортировочной платформы, называемый системой автоматического удаления дефектов (ADR), предназначен специально для картофельных полосок (картофеля фри). В отличие от других сортировщиков, которые выбрасывают продукты с дефектами с производственной линии, системы ADR выявляют дефекты и фактически вырезают дефекты с полос. Комбинация системы ADR, за которой следует механический сортировщик, представляет собой другой тип оптической системы сортировки, поскольку в ней используются оптические датчики для выявления и устранения дефектов.

Однофайловые системы контроля

Все описанные выше платформы работают с сыпучими материалами; это означает, что им не нужно, чтобы материалы были в одном файле для проверки. Напротив, шестой тип платформы, используемый в фармацевтической промышленности, представляет собой однофайловую оптическую систему контроля. Эти сортировщики эффективны при удалении посторонних предметов, различающихся по размеру, форме и цвету. Они не так популярны, как другие платформы, из-за снижения эффективности.

Механические грейдеры

Для продуктов, которые требуют сортировки только по размеру, используются механические системы сортировки, поскольку датчики и программное обеспечение для обработки изображений не нужны. Эти системы механической сортировки иногда называют системами сортировки, но их не следует путать с оптическими сортировщиками, которые оснащены датчиками и обработкой изображений. системы.

Практическое использование

Отходы и переработка

Машины для оптической сортировки могут использоваться для выявления и удаления производственных отходов, таких как металлы, гипсокартон, картон и различные пластмассы.[11] В металлургической промышленности оптические сортировочные машины используются для удаления пластика, стекла, дерева и других ненужных металлов.[12] В пластмассовой промышленности используются оптические сортировочные машины, чтобы не только выбрасывать различные материалы, подобные перечисленным, но и различные типы пластмасс. Машины для оптической сортировки утилизируют различные типы пластмасс, выделяя типы смол. Типы смол, которые могут идентифицировать оптические сортировочные машины: HDPE, PVC, PLA, PE и другие.[12]

Оптическая сортировка также помогает в переработке, поскольку выброшенные материалы хранятся в бункерах. Как только мусорное ведро заполнено данным материалом, его можно отправить на соответствующее предприятие по переработке.[13] Способность оптических сортировочных машин различать типы смол также помогает в процессе переработки пластмасс, поскольку для каждого типа пластика используются разные методы.[14]

Еда и напитки

В кофейной промышленности машины оптической сортировки используются для выявления и удаления недоразвитых кофейных зерен, называемых квакерами; квакеры - это бобы, содержащие в основном углеводы и сахара.[15] Более точная калибровка позволяет сократить общее количество дефектных продуктов.[15] Некоторые кофейные компании, такие как Counter Culture, используют эти машины в дополнение к уже существующим методам сортировки, чтобы создать чашку кофе с лучшим вкусом.[15] Одним из ограничений является то, что кто-то должен вручную программировать эти машины для выявления дефектных продуктов.[15]

Однако эта наука не ограничивается кофейными зернами; пищевые продукты, такие как семена горчицы, фрукты, пшеница и конопля, можно обрабатывать с помощью оптических сортировочных машин.[16]

В процессе производства вина виноград и ягоды сортируются как кофейные зерна.[17] Сортировка винограда используется, чтобы гарантировать, что незрелые / зеленые части растения не участвуют в процессе изготовления вина.[17] В прошлом сортировка вручную с помощью сортировочных таблиц использовалась для отделения дефектного винограда от более эффективного.[17] Теперь механическая уборка обеспечивает более высокую эффективность по сравнению с ручной сортировкой.[17] В разных точках линии материалы сортируются с помощью нескольких оптических сортировочных машин.[17] Для каждой машины требуются различные материалы разных форм и размеров.[17]

Затем ягоды или виноград можно отсортировать с помощью камеры, лазера или какой-либо светодиодной технологии в зависимости от формы и формы данного фрукта. Затем сортировочная машина отбрасывает все ненужные элементы.[18]

Поставщики
Raytec Vision │ Сортировочные решения для пищевой промышленности
Raytec Vision - производитель камер и сенсоров из Пармы, специализирующийся на сортировке продуктов питания. Машины Raytec Vision могут применяться в самых разных областях: помидоры, клубни, фрукты, свежие нарезки, овощи и кондитерские изделия. Каждая машина может отделять хорошие продукты от отходов, инородных тел и дефектов и гарантирует конечному потребителю высокий уровень безопасности пищевых продуктов. Для получения дополнительной информации посетите веб-сайт

Смотрите также

Рекомендации

  1. ^ Технология компьютерного зрения для оценки качества продуктов питания. Сун, Да-Вен. (1-е изд.). Амстердам: Elsevier / Academic Press. 2008 г. ISBN  978-0-12-373642-0. OCLC  228148344.CS1 maint: другие (связь)
  2. ^ Неразрушающий контроль качества пищевых продуктов. Ирудаярадж, Джозеф, 1961-, Рех, Кристоф. (1-е изд.). Эймс, Айова: Blackwell Pub./IFT Press. 2008 г. ISBN  978-0-470-38828-0. OCLC  236187975.CS1 maint: другие (связь)
  3. ^ а б "О нас". Юнитек Групп. Получено 2020-04-02.
  4. ^ а б «Объяснение технологии оптической сортировки - Satake USA». www.satake-usa.com. Получено 2020-04-02.
  5. ^ а б "Системы оптической сортировки - Satake USA". www.satake-usa.com. Получено 2020-04-02.
  6. ^ а б "История MSS | Технология оптической сортировки и переработки". Получено 2020-04-02.
  7. ^ Обнаружение инородных тел в продуктах питания. Эдвардс, М. К. (Майкл Чарльз). Бока-Ратон: CRC Press. 2004 г. ISBN  1-85573-839-2. OCLC  56123328.CS1 maint: другие (связь)
  8. ^ [1], "Информационная система рассеянного / проходящего света", выпущенная 1992-09-30 
  9. ^ Чжэн, Хун; Лу, Хунфэй; Чжэн, Юэпин; Лу, Хэцян; Чен, Цуйцинь (01.12.2010). «Автоматическая сортировка мармелада китайского (Zizyphus jujuba Mill. Cv. 'Hongxing') с использованием флуоресценции хлорофилла и машины опорных векторов». Журнал пищевой инженерии. 101 (4): 402–408. Дои:10.1016 / j.jfoodeng.2010.07.028. ISSN  0260-8774.
  10. ^ "StackPath". www.vision-systems.com. Получено 2020-03-24.
  11. ^ Агентство по охране окружающей среды США, OLEM (26 мая 2015 г.). «Типичные отходы, образующиеся в отраслях промышленности». Агентство по охране окружающей среды США. Получено 2020-04-02.
  12. ^ а б "Приложения для оптической сортировки и сортировочные машины | MSS". Получено 2020-04-02.
  13. ^ "Взгляд на оптическую сортировку". Отходы360. 2015-09-10. Получено 2020-04-02.
  14. ^ «Переработка пластика», Википедия, 2020-04-01, получено 2020-04-02
  15. ^ а б c d «Вопросы и ответы по оптической сортировке». Счетчик Культуры Кофе. 2018-09-21. Получено 2020-04-02.
  16. ^ "Intel Seed Ltd. | Зерновые и кормовые семена Манитоба | Очистка и кондиционирование семян Манитоба | НА ГЛАВНУЮ". www.intelseed.ca. Получено 2020-04-02.
  17. ^ а б c d е ж Бейерер, Юрген; Леон, Фернандо Пуэнте (2013). OCM 2013 - Оптические характеристики материалов - материалы конференции. КИТ Научное издательство. ISBN  978-3-86644-965-7.
  18. ^ Лафонтен, Магали; Фройнд, Максимилиан; Вьет, Кай-Уве; Негара, Кристиан (2013-12-01). «Автоматическая сортировка фруктов путем неразрушающего определения параметров качества с использованием видимого / ближнего инфракрасного диапазона для улучшения качества вина: I. Производство красных вин». NIR Новости. 24 (8): 6–8. Дои:10.1255 / nirn.1403.