Econtech y International AdvancedLas empresas de tecnología de instrumentos trabajan juntas para proporcionar "ecología- Agricultura- programa técnico integral "salud". La compañía se basa en International AdvanceddeLa tecnología de imágenes hiperespectrales specim, combinada con la integración de la visión artificial y la investigación y el desarrollo automatizados, ofrece a los usuarios soluciones de clasificación en línea diversificadas, personalizadas y automatizadas para lograr una clasificación rápida de alto rendimiento y una respuesta en tiempo real de los productos de la línea de montaje industrial. El sistema puede combinarse con líneas de montaje industriales, cintas transportadoras y sistemas inteligentes de clasificación, basados en una fuerte capacidad de reconocimiento espectral y un modelo de clasificación flexible, exportar resultados de reconocimiento precisos en tiempo real, los usuarios no necesitan realizar una serie de trabajos complejos de codificación y análisis de imágenes espectrales, pueden obtener los resultados finales, lo que reduce significativamente El umbral para que la tecnología de imágenes hiperespectrales se aplique en el mercado.

Características principales:

▌ SpectraScanLa tecnología de la Plataforma de escaneo de imágenes espectrales puede personalizar el esquema de adaptación especial de acuerdo con la escena de uso del usuario.

▌ imagero hiperespectral de barrido push de grado industrial, opcional400-1000nm,900-1700nm,2700-5300nmBanda igual

▌ software de entrenamiento de modelo de clasificación: los usuarios pueden ver los datos de la muestra, entrenar el modelo de clasificación, verificar el efecto de clasificación y establecer aplicaciones

▌ clasificación en tiempo real en línea: unidad de procesamiento de datos de alto rendimiento, que calcula en tiempo real de acuerdo con el modelo de clasificación y muestra los resultados de la clasificación en línea

▌ apoyoGigE,USB 3.0, RS-232/485,CANInterfaz, compatible con los procesos aguas abajo de la línea de montaje industrial, ayuda a la clasificación inteligente

▌ la tecnología de imágenes hiperespectrales pasaCE,la FCC,RoHS3Y otras certificaciones internacionales convencionales

Casos de aplicación:

1. pruebas de calidad de pistachos

La calidad de las nueces se evalúa generalmente en función de la frescura del producto, la presencia o ausencia de defectos, ácaros y contaminantes externos. en el control de calidad del pistacho, la detección de defectos y cuerpos extraños es el eslabón más importante en la producción.

Los métodos anteriores de clar, GC - ms, ir - MS y otros tienen la desventaja de que no se pueden detectar en tiempo real. En los últimos años, la tecnología de visión artificial basada en imágenes en color (rgb) ha desempeñado un papel importante en el proceso de procesamiento de alimentos y el control de calidad, pero todavía hay deficiencias en la identificación de ácaros, moho y otros objetos extraños. Los experimentadores italianos aplicaron la tecnología de imágenes hiperespectrales (hsi) al control de calidad de los pistachos, analizando cualitativamente y cuantitativamente las diferentes características físicas y químicas de las muestras y explorando mejores estrategias para el control de calidad de los alimentos.

Los experimentadores seleccionaron al azar diferentes tipos de muestras específicas de la mezcla de pistachos y dividieron 99 muestras en seis categorías: pistachos comestibles (23), pistachos no comestibles (23), cáscaras de pistachos felices (13), cáscaras de pistachos (13), ramas finas (13) y núcleos de frutas (14). A la izquierda de la figura 1.1, la muestra se divide en dos grupos: el conjunto de entrenamiento (70%) y el conjunto de verificación (30%), primero preprocesando el espectro original para resaltar las diferencias características de los seis tipos de espectros.

Figura 1.1 izquierda: mapa rgb (a), conjunto de entrenamiento (b) y conjunto de verificación (c); Derecha: espectro de reflexión medio (a) y preprocesado (b) de 6 Tipos de muestras en el rango swir

El conjunto de datos de entrenamiento se entrena a través de diferentes modelos de clasificación de análisis de componentes principales (pca) y aplicación de métodos de clasificación multivariables, y los resultados del entrenamiento se muestran en la Figura 1.2 a la izquierda, en la que el mapa de predicción Cart es similar a los resultados de PCA - knn, obteniendo muy buenos resultados de clasificación, mejores que los obtenidos por PLS - da y PCA - da. Los conjuntos de datos de verificación se predicen utilizando diferentes modelos de clasificación, y los resultados se muestran a la derecha en la figura 1.2. los modelos identifican correctamente las piedras. los mapas de predicción PLS - da y PCA - da son similares, mostrando las mismas áreas de clasificación errónea, mientras que los mapas de predicción del modelo Cart se caracterizan por píxeles de clasificación errónea más dispersos. El mapa de predicción PCA - Knn muestra el mejorComo resultado, hay muy pocas áreas de clasificación errónea en una sola categoría.

La Figura 1.2 a la izquierda (a, b, c, d) es el resultado del entrenamiento; Derecha (a, b, c, d) es el resultado de la predicción

Los resultados muestran que la tecnología de imágenes hiperespectrales basada en la banda swir proporciona un buen método para el monitoreo y control de la calidad del pistacho, y tiene amplias perspectivas en escenarios de detección fuera de línea o en tiempo real para aplicaciones industriales.

2. evaluación de pruebas no destructivas de calidad del té de flores y plantas

Con el aumento de la atención de los consumidores a la salud, el consumo de té de flores también está aumentando gradualmente. El té de flores está hecho de una mezcla de dos o más especies vegetales basadas en el propósito de mejorar el sabor y aumentar los beneficios para la salud. Al igual que otros alimentos o productos de salud, el control de calidad (control de calidad) del té de flores y plantas es muy importante para garantizar la seguridad alimentaria y la eficacia sanitaria.

Los métodos tradicionales de control de calidad, como la Cromatografía líquida de alto rendimiento (clar) y la espectrometría de masas (ms), tienen una alta repetibilidad y precisión, pero son largos y destructivos, y en el caso de contener múltiples materias primas, es necesario detectar cada componente por separado, lo que consume más tiempo y esfuerzo. En este estudio, la tecnología de imágenes hiperespectrales es un método que combina la espectrometría tradicional con la imagen digital de manera rápida y sin daños para evaluar y controlar la calidad del té de flores.

Investigadores de la Universidad de Ciencia y tecnología de tswani utilizaron imágenes hiperespectrales swir para capturar imágenes hiperespectrales de materias primas compradas de la compañía parceval Pty (s.totuosum y c.genistoides) y cinco lotes de mezcla de té de flores (honeybush - skeletium). En ausencia de conocimientos químicos relevantes, se hizo una distinción completa y no destructiva entre las dos materias primas, y el análisis de componentes principales (pca) mostró una diferencia de composición química del 54,2% entre las materias primas de S. tortousum y C. genistoides.

Figura 2.1 a) dos materias primas de té; b)PC1； C) mapa de puntos de dispersión de diferentes píxeles de dos tipos de té (t1 vs t2)

En el reconocimiento rápido y no destructivo y la cuantificación de la composición del té de flores y plantas, se desarrolló un modelo PLS - da basado en el modelo de calibración pca, como se muestra en la figura 2.2 a la izquierda. los resultados del conjunto de pruebas son similares a los del pca. se observaron dos racimos de píxeles separados y se obtuvo una diferencia de composición química del 52,8%. la imagen y - correspondiente se muestra al lado del mapa de dispersión, lo que indica que las materias primas puras están 100% clasificadas. La figura 2.2 muestra a la derecha la imagen RGB del conjunto de predicción y los resultados de predicción, que incluyen dos muestras del conjunto de pruebas externas y cinco lotes de mezcla de té de flores y plantas, que confirman que el modelo puede predecir con precisión las características de los componentes de la mezcla de té, pronosticando que la mezcla de té de flores y plantas solo contiene dos materias primas, S. tortoosom y C. genistoides, y pronosticando cuantitativamente que c. genistoides es el componente principal (contenido superior al 97%), mientras que el contenido de S. tortoosom es más bajo ('3%), y los resultados cuantitativos están cerca de las fórmulas estándar establecidas por la compañía para c. genistoides = 96% y S. tortoosom = 4%. Los resultados experimentales muestran que la tecnología de imágenes hiperespectrales tiene un buen potencial en la evaluación de la calidad de alimentos y medicamentos como la mezcla de té de hierbas.

Figura 2.2 izquierda: a) mapa de dispersión PLS - da y puntuación; B) diferencias espectrales medias entre S. tortousum y C. genistoides. Derecha: visualización de muestras de conjuntos de predicción, a) imágenes rgb; B) predicción de clases basada en el modelo PLS - da

Yiketai Ecological Technology Company se basa en la tecnología de aplicación innovadora de imágenes espectrales de speartapp para proporcionar soluciones personalizadas de imágenes espectrales para la clasificación y control de calidad de alimentos y hierbas medicinales chinas, la clasificación en línea de semillas, la clasificación en línea de líneas industriales, el reciclaje de residuos, el control de calidad de líneas de producción, aplicaciones de Visión artificial y otras aplicaciones de alto rendimiento.

De izquierda a derecha, se clasifican el moho de maní, la carne (carne de cerdo, carne de res, cordero) y la prueba de azúcar de manzana (proporcionada por el laboratorio de imágenes espectrales de yiketai).

Referencias:

[1] Bonifazi G, Capobianco G, Gasbarrone R, et al. Detección de contaminantes en nueces de pistacho por diferentes métodos de clasificación aplicados a imágenes hiperespectrales infrarrojas de onda corta [J]. Control de Alimentos, 2021, 130(26):108202.

[2] A M S, A W C, B I V A, et al. Evaluación de calidad no destructiva de mezclas de té de hierbas utilizando imágenes hiperespectrales - ScienceDirect [J]. Cartas de fitoquímica, 2018, 24:94-101.