看机器视觉助力花椒除杂产线!

2023-11-10 20:59

本文主要是介绍看机器视觉助力花椒除杂产线!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

食品的“色、香、味”一直是人们追求的主线,而在这其中起着主导作用的香辛料功不可没。香辛料是一类具有芳香和辛香等典型风味的天然机物性制品。常见的香辛料包括花椒、辣椒、八角、茴香……这些调味品在食品加工和家庭烹调中占比较大,且正随着人们饮食观念变化和消费意识,对品质提出更高的要求。走进调味品生产厂,进行一次产品溯源和质检,原来一粒小小的花椒,都有着难以想象的严格生产。

筛选除杂

调味品生产厂主要以香辛料为原料,经历筛选除杂—干洗—粉碎 (或不粉碎)等步骤,进一步加工成原料成品或粉制品。走进生产车间,各种各样的花椒、辣椒、白芷、八角……常见的不常见的,都能在这里找到。

这些香辛料大多从农户手中收购,简单抽样检查后集中存储在仓库整理归类。从仓库进入到工厂加工,第一个步骤就是筛选除杂。除杂,顾名思义就是通过对产品进行精选,将残次品、异物筛除,保证最终产品质量。

具体除杂流程

我们以花椒除杂产线为例。花椒的筛选除杂流程一般是:色选机-X光检测机-振动筛选机-人工筛选-包装。

① 色选机

待除杂的花椒通过集料斗统一送进色选机,色选机通过图像处理传感器和光学性质差异,将不同颜色的颗粒吹进出料斗的废料腔内。选好的物料继续落到料斗的成品腔流出。此时成品腔里的花椒,已经完成初步的筛选。之后花椒要进入到X光检测环节,筛选细微石子、金属、昆虫等异物颗粒。

② X光检测机

色选机成品腔流出的花椒通过输送带,进入到X光检测机中,依靠X光的穿透性,把同源性的小石子、小昆虫等筛选掉。

X光检测机输出筛选后的花椒

③ 振动筛选机

经过X光检测机除杂后的花椒落入振动筛选机,通过振子激振产生的往复旋型振动和上下旋转重锤产生的振动,结合过滤网筛分离过滤不易剥落的花椒梗等异物,保证产品使用时更安全卫生。

人工筛选

这里,也就是包装前的最后步骤了。工作人员对除杂、振动后的花椒进行最后的成品抽检,通过人眼和主观经验,仔细检查花椒出品情况,检查无误就可以进行包装或进一步研磨加工啦。

完成前面提到的所有工艺步骤,就能百分百保证花椒成品的品质吗?答案是否定的。一方面现有机器的异物识别率较低,精准性无法达到高品质要求。比如普通色选机只能识别颜色相差较大的异物,如果外表杂物与花椒颜色接近时,色选机则无法识别筛选,并且对于头发丝等过于细小的杂质也无法有效识别;另一方面人工检测的缺陷(人眼的局限性、精力的分散性等)无法避免,二次筛选人力和时间成本投入大。因此,如何优化生产来帮助提高花椒的除杂率,达到完美品质,同时提升效率、减少成本。在数字化时代下,AI的助力或许是个更优解。

AI进厂,助力调味品生产智能升级

第六镜科技经过实地产线考察调研,对于花椒除杂目前存在的问题,提出了“花椒除杂解决方案”。

首先通过对花椒原料进行预先处理除杂,使花椒梗、刺、籽等同源性异物提前掉落;之后在色选机的除杂中,结合AI视觉、人工智能算法等技术,对原料进行2D图像采集,并进一步区分、提取、判别,实现异物的精准识别和处理,令头发丝等细小杂质也“无处可逃”。

且在识别过程中,人工智能算法还可以对不同批次原料中的种类、异物含量进行智能分析,得到该批次的良品率,为后续原料质量控制提供数据支持。更重要的是,花椒除杂解决方案无需人工参与筛选,整个流程全机械化、自动化,显著提高除杂工作的生产效率。

此外,对于另一个明星调味品辣椒,无论是原料成品还是粉制品、酱制品,其对于除杂的要求同样很高。相比花椒品类来说,辣椒的筛选除杂主要是辣椒梗。以往辣椒梗的去除都以人工为主,但随着辣椒市场需求的不断增加,人工效率远远达不到要求。第六镜科技视觉与定位技术的应用,能够提供智能化的除杂方式。通过对辣椒梗的定位识别,结合机器装置,实现精准去除,优化产线效率,帮助厂商实现更好的原料管控。

调味品生产厂品类众多,与AI融合发展的探索也在继续,优质白芷的识别筛选、八角的除杂识别……未来AI助力调味品生产仍有很大的进步空间!

文章出自:https://www.china-vision.org/cases-detail/208819.html 机器视觉网

这篇关于看机器视觉助力花椒除杂产线!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/385207

相关文章

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

客户案例:安全海外中继助力知名家电企业化解海外通邮困境

1、客户背景 广东格兰仕集团有限公司(以下简称“格兰仕”),成立于1978年,是中国家电行业的领军企业之一。作为全球最大的微波炉生产基地,格兰仕拥有多项国际领先的家电制造技术,连续多年位列中国家电出口前列。格兰仕不仅注重业务的全球拓展,更重视业务流程的高效与顺畅,以确保在国际舞台上的竞争力。 2、需求痛点 随着格兰仕全球化战略的深入实施,其海外业务快速增长,电子邮件成为了关键的沟通工具。

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

【机器学习】高斯网络的基本概念和应用领域

引言 高斯网络(Gaussian Network)通常指的是一个概率图模型,其中所有的随机变量(或节点)都遵循高斯分布 文章目录 引言一、高斯网络(Gaussian Network)1.1 高斯过程(Gaussian Process)1.2 高斯混合模型(Gaussian Mixture Model)1.3 应用1.4 总结 二、高斯网络的应用2.1 机器学习2.2 统计学2.3

计算机视觉工程师所需的基本技能

一、编程技能 熟练掌握编程语言 Python:在计算机视觉领域广泛应用,有丰富的库如 OpenCV、TensorFlow、PyTorch 等,方便进行算法实现和模型开发。 C++:运行效率高,适用于对性能要求严格的计算机视觉应用。 数据结构与算法 掌握常见的数据结构(如数组、链表、栈、队列、树、图等)和算法(如排序、搜索、动态规划等),能够优化代码性能,提高算法效率。 二、数学基础

生信圆桌x生信分析平台:助力生物信息学研究的综合工具

介绍 少走弯路,高效分析;了解生信云,访问 【生信圆桌x生信专用云服务器】 : www.tebteb.cc 生物信息学的迅速发展催生了众多生信分析平台,这些平台通过集成各种生物信息学工具和算法,极大地简化了数据处理和分析流程,使研究人员能够更高效地从海量生物数据中提取有价值的信息。这些平台通常具备友好的用户界面和强大的计算能力,支持不同类型的生物数据分析,如基因组、转录组、蛋白质组等。

✨机器学习笔记(二)—— 线性回归、代价函数、梯度下降

1️⃣线性回归(linear regression) f w , b ( x ) = w x + b f_{w,b}(x) = wx + b fw,b​(x)=wx+b 🎈A linear regression model predicting house prices: 如图是机器学习通过监督学习运用线性回归模型来预测房价的例子,当房屋大小为1250 f e e t 2 feet^

【机器学习-一-基础概念篇】

机器学习 定义分类算法 应用 定义 机器学习最早是被Arthur Samuel 提出的一个概念,指计算机无需明确编程即可学习的研究领域。1950年他发明的跳棋程序,这个人机对弈游戏让他的声名鹊起,机器学习这个概念才进入大众的是视线。 在这个跳棋程序里,他编程了一种算法,这个程序与Arthur下了数万次跳棋,计算机逐渐学会了下在哪里有更大的可能会赢得比赛,哪里会输,通过这种方法,最

机器学习之监督学习(三)神经网络

机器学习之监督学习(三)神经网络基础 0. 文章传送1. 深度学习 Deep Learning深度学习的关键特点深度学习VS传统机器学习 2. 生物神经网络 Biological Neural Network3. 神经网络模型基本结构模块一:TensorFlow搭建神经网络 4. 反向传播梯度下降 Back Propagation Gradient Descent模块二:激活函数 activ