本发明涉及一种食品特性检测系统，尤其涉及一种水果特性检测系统。
背景技术：
消费者喜爱水果，尤其是柑橘类水果或软柑橘，例如柑橘，小蜜橘和无籽的橙子。因此，需要能够无损地选择无籽的水果来提供给消费者。为了给量大的零售商(例如超市)提供无籽水果，需要以非常高的速度来执行这种水果无损检测，例如以每分钟350个水果的速度，就是大约每秒6个水果。这是水果需要被水果供应商处理、以提供给超市的典型速度。这是非常苛刻的标准。
消费者通常更喜欢更甜的水果。需要水果提供商能够以非常高的速度无损地选择相对含糖量更高的水果来提供给超市。
很多用来无损地评估水果品质的方法已经在现有技术中被公开了。
主要的途径是使用光学技术，例如，激光或者发光二极管(LEDs)。例如，公开号为US2015-021478的美国专利申请(大星科技有限公司)和美国专利US5708271(住友金属矿山株式会社)公开了使用LED光源测量水果中的含糖量；美国专利US6504154(住友金属矿山株式会社)公开了使用激光束来无损地测量含糖量。日本专利申请JP H09-196869(神户制钢公司)公开了使用核磁共振(NMR)方法无损测量瓜的成熟度，特别是含糖量。
基于重量和NMR信号使用NMR来判断种子在水果中的存在，已经在日本专利申请JP H09-127029(三菱重工)中被公开。
NMR与磁共振成像(MRI)相结合来检测橙子中的籽已经为人所知。例如，奥唐纳、费根和卡伦所著的《食品工业过程分析技术》(斯普林格出版公司，纽约，ISBN978-1-4939-0310-8)中第六章描述了一种装置，其使用NMR、MRI与图像处理的结合来检测橙子中的籽。此装置使用1特斯拉(T)的磁场，通过测量橙子的相位编码NMR信号，来同时对三个橙子成像。除了成像之外，该装置还测量每种水果的T2弛豫，并将该值与其中的冻害量相关联。T2是自旋或横向弛豫时间。它是由于自旋之间的相互作用，在与静磁场成一定角度取向的自旋之间的相位相干性丧失的时间常数。尽管文章中提供的示例性图像表明最小分辨率大约为1mm×1mm像素，但没有明确给出进一步的技术信息。然而，尽管此公开描述了同时对三个橙子成像，但显然没有公开或甚至暗示如何快速对三个橙子进行成像。低吞吐量似乎会使这种方法不适合在之前所描述的工厂中使用。
另外，在此章中也描述了一种磁共振成像系统，其接合到一个用来检测柑橘类水果的籽的水果输送机上。有两个籽的小甜橘的MRI图像以高分辨率显示。这样的高分辨率图像将很慢获得，因此在输送机上通过此MRI系统的水果的吞吐将会很慢，或者在一个高吞吐量的装置中只有部分的小甜橘可以被成像。
NMR技术(不使用MRI)在整个水果样品上产生了一个核磁共振信号。在现有技术中描述的装置中，获得足够的NMR信号非常缓慢。MRI产生样品图像，该样品图像包括三维样品的二维切片中的内部。NMR和事实上MRI本质上是低信噪比过程。所公开的技术不足以在如上所述的现代水果加工厂所需的快速下评估水果。
所描述的光学技术不提供如上所述的现代水果加工厂所需的快速下评估柑橘类水果中籽的存在的能力。
技术实现要素：
本申请的发明人已经认识到，通过使用低分辨率磁共振成像(MRI)和来自水果的低分辨率MRI图像的图像数据的计算机化处理，以增强或提高在输送机上的快速输送通过MRI扫描仪的水果图像，水果形式的食品(特别是柑橘类水果或软柑橘，例如橘、小蜜橘和橙子)的一个或更多特性可被非常迅速地自动检测。这是非常令人惊讶的，因为MRI本质上是被认为是非常缓慢的低信噪比成像过程。本申请的发明人已经认识到，以超过每分钟200个水果的速度(例如超过每分钟300个水果，大约每分钟350个水果或每分钟350个水果)在输送机上行进的每个水果可通过此方法被自动检测，以评估水果的一个或更多特性。
本发明的实施例提供了一种以果籽检测系统形式的水果特性检测系统，此系统大大增加了扫描的吞吐量。以白利糖度或含糖量形式的水果特性的测量和/或其他水果化学成分的测量也可以在水果工厂内以商业上可行的吞吐量范围提供。
本发明的各个方面在下面的独立权利要求中进行了限定，现在将参考该独立权利要求。有利的特征在从属权利要求中阐述。
在此所描述的食品或水果特性检测系统的实施例，通过生成穿过食品(水果)的MRI图像，然后应用图像处理算法来增强或提高图像的相关部分，使得预定的食品特性(或籽)是可以识别的，然后执行食品特性的自动检测处理，来识别以水果(特别是小蜜橘、柑橘和橙子)中的籽为形式的预定的食品特性的存在。通常，未增强的低分辨率图像会因为籽的存在而在大的图像块或像素点中显示出影像对比的微小变化。然而，就本质而言，这不能被确认为是一个籽。然而，此图像处理算法以特定的方式增强了这种对比，使得籽的存在是可识别的。每个橙子的特征T2弛豫时间可通过使用著名的Carr Purcell Meiboom Gill(CPMG)回波序列来测量，并且此值被用来确定水果的白利糖度水平。替代性地或附加性地，食品检测系统的计算机可被配置为检测化学成分，例如至少一种预定的化学物类。
通过提供非常快速的成像或高水果吞吐量，例如每分钟350个柑橘、小蜜橘或橙子，本文描述的水果特性检测系统的实施例不同于已知的装置。这是通过与已知的MRI采集方式相反的技术和方法的结合实现的。首先，生成的图像的分辨率远低于正常，例如医学诊断成像(例如，大于0.5mm到2mm乘以0.5mm到2mm或1mm乘以1mm像素的MRI图像)所需的分辨率。MRI图像是直接从MRI设备或光谱仪中导出的。MRI图像是未经图像处理以增强图像的图像。通过使用低分辨率MRI图像，整个图像采集过程中耗时的相位编码步骤的数量很低。用于进行籽检测过程的例程或图像处理基于机器学习算法。它们经过专门训练以识别生成的粗略图像中的籽。
另外，水果特性检测系统的MRI设备的实施例使用定制射频(RF)收发器线圈组件，此组件允许在一个均匀体积的施加磁场内同时成像多个水果，例如六个桔子。该阵列及其设计提供了并行成像技术以并入数据收集过程。这样，相位编码步骤的数量可以再次减少并且相应地加速成像速率。该过程允许穿过每一水果中成像多个切片，而不会影响采集时间。图像处理软件需要多个切片来准确确定每个橙子的整个体积中是否存在籽。
已经认识到，使用所谓的“半傅立叶”k空间总体策略来实现图像获取时间的进一步减少。这些方案使用k空间域的固有对称性来复制数据值，而不是直接测量它们。因此，数量减少了的数据收集可以产生相同数量的成像信息。这直接减少了所需的成像时间。
在本发明的实施例中，使用CPMG回声序列同时测量每个单独水果的T2弛豫时间。这是在成像完成后进行的。此外，这通过RF线圈阵列的特定构造而成为可能。
硬件和软件都可以分析结果图像和弛豫值以最大化处理速度。不需要额外或并行的NMR数据。
装置将在以下被更为详细地阐释并且以食品特性检测系统的形式，包括：磁共振成像MRI装置；输送机，用于输送多个食品，使得食品被MRI设备成像以生成MRI图像数据机；和计算机，其被配置为处理MRI图像数据以增强图像数据，以使得预定的食品项目特性可识别。该系统被配置为使得在使用中，多个食品被输送机运送，使得食品被MRI装置成像以生成MRI图像数据，并且MRI图像数据被计算机处理以增强MRI图像数据，从而预定的食品特性是可识别的。
可以提供一种食品特性的检测方法，该方法包括：输送机运送多个食品，使得食品被MRI装置成像；计算机处理来自MRI装置的图像数据以增强图像数据，来生成被增强的图像数据，使得预定的食品特性是可识别的；并且计算机使用被增强的图像数据来检测食品的预定的食品特性。
可以提供一种用于控制该方法的计算机程序。可以提供计算机可读介质，其包括用于控制该方法的指令。计算机可读介质可包括，例如CD-ROM，DVD-ROM，硬盘驱动器或诸如USB(通用串行总线)存储棒的固态存储器。
附图说明
通过示例，本发明将被更详细地描述，并参照附图，其中：
图1是体现本发明的一个方面的果籽检测系统的顶部透视图；
图2是图1中的果籽检测系统的侧面透视图；
图3是图1和图2中的果籽检测系统的平面图；
图4a是体现本发明的一个方面的用在果籽检测系统中的容器中的水果的示意性平面图；
图4b是图4a中的水果和容器一侧的示意性横截面图；
图5是体现本发明的一个方面的果籽检测系统的图4a和图4b中的水果和容器的示意性透视图；
图6是体现本发明的一个方面的阐释了果籽检测系统的操作的流程图。
具体实施方式
现在将参照图1至图3描述以水果特性检测系统为形式的示例性食品特性检测系统，在该示例中，为果籽检测系统10。在此实例中，每个水果都是橙子11。该装置可用于其他水果，例如其他柑橘类水果、软柑橘，特别是小蜜橘和柑橘。
果籽检测系统10包括单个MRI扫描仪或装置12，三个单独的聚四氟乙烯(PTFE)输送机1或输送系统14,16,18彼此并排地从单个MRI扫描仪或装置12中通过。输送机主要由PTFE制成。输送机可以可选地或附加地包括以下中的一个或多个：食品安全认可材料、不吸湿材料、在MRI设备的操作频率范围处不共振的材料和/或提供低核磁共振信号的材料。
每个输送机内的一对桔子11在MRI扫描仪内暂时停留以在扫描区域20中成像(在图2中最佳示出)。换言之，六个橙子一次进入扫描仪的均匀磁体积进行成像。位于扫描器内的定制的RF收发器阵列(图中未示出)包括以2×3排列的六个单独的发射和接收线圈。三条线或输送机中的每一条都连续穿过两个线圈。
MRI扫描仪12是场强度为1T(场强可在，例如0.4T和2T之间，或者0.6T和1.5T之间)的单个C形永磁体。考虑到额外的匀场线圈可能产生的附加均匀性，将其按大小制作或布置成以提供六个橙子11成像所需的均匀体积。
在每个扫描周期期间，六个桔子11进入MRI扫描仪12，使得每个桔子与其中一个线圈对齐。流水线或输送机14，16，18的移动被编入索引，以使桔子在整个过程期间保持静止。一旦到位，MRI扫描仪就使用定制的快速自旋回声影象激励/相位编码脉冲序列来分别通过每个果实产生多个或数个横截面图像。或者，可使用梯度回波序列。
收发器阵列的设计和硬件通过并行成像和同时采集所有切片来提供加速成像过程。数据收集的速度通过应用所谓的“半傅里叶”k空间采样策略来增加，其中仅有k空间的部分或部分样本被采用，一般略多于一半。在此实例中，有60％的标称数据被采集，其余的点是通过k空间域的(基本)对称性本质来生成的。在成像后，使用次级RF激励来为六个水果中的每一个分别生成特征性CPMG回波串。
通过收集所有必要的数据，经过扫描的水果或橙子11被输送机14,16,18移出MRI扫描仪12。对流水线的运动进行索引，从而允许接下来的六个橙子进入以分析。
然后使用计算机上的定制识别软件(未示出)，来增强和评估针对被扫描的六个水果或橙子11获得的每个图像。所采用的机器学习算法检测MRI扫描器12的增强图像特性中籽的存在(即，在连续对比度加权，分辨率和纵横比下)。如果检测到籽，则在索引线上的目标或已识别的橙子的位置在计算机的软件内被标记，以便稍后进行机械拒绝(以下讨论)。
计算机进行二次计算分析，对每个橙子11的T2弛豫曲线进行最小二乘回归分析，以确定其特征衰减常数。这与上述图像评估例程并行进行，以最小化处理时间。在此常数已知下，将该值与预先确定的校准曲线进行比较，以在每种情况下产生相应的白利糖度或糖水平。同样，在计算机上运行的软件将测量的白利糖度值分配给相关橙子的位置，以便稍后进行机械拒绝(下面讨论)。
为了安全的目的、以及减轻不想要的无线电频率(RF)噪音侵入，MRI扫描仪单元或装置12被安放在专用的铜衬舱22中(在图3中最佳地示出)。在通过使用储料器和振动加载器机构24进入舱室之前，水果被装载到三条流水线或输送机14,16,18中的一条上。在流水线进入和退出舱室时，波导管26、28(在图3中最佳地示出)包围流水线，确保不需要的RF辐射无法穿过前壁和后壁上的开口。
这样，由MRI装置12对在输送机14,16,18上以非常高的速度行进的所有水果片进行成像以产生MRI图像数据，并且由计算机处理MRI图像数据以提供所有水果片的水果特性检测。
舱室22外部，在离开输送机14,16,18之后，所有水果11依次进入另一条流水线或输送机30。输送机的出口31用于接收高品质水果用于打包。考虑到系统的精确性，可以给出高质量水果100％的确定性。当水果在输送机上行进时，水果在气动活塞32、34、36的前面通过，当上文讨论过的计算机选择或识别的橙子有籽或者其白利糖度低于预定值时，根据所要求的白利糖度和籽的分离，气动活塞32、34、36会将其分别地推上远处的垂直的流水线或输送机38、40、42。这些输送机适用于品质较低的水果，例如有籽或低白利糖度水平。位于输送机出口44、46、48的水果可用于包装、处置或其他用途。
在另一个示例中，以水果特性检测系统形式的食品特性检测系统中，水果在一个或多个容器中被提供给MRI扫描仪。这在图4a，图4b和图5中示出，其阐释了形成水果籽检测系统的一部分的组件。
首先参考图4a和图4b，在此示例中，三个容器或盒子100被同时提供给一个MRI装置。容器都是相同的。它们堆放在彼此上面。在此示例中，总共有18个水果102，可被提供橙子或者其他柑橘类水果，它们在容器中同时被MRI装置成像，三个容器中每个都放有六个水果。六个水果中横向排列两个纵向排列三个。每个容器都是由MRI不可见材料制成，在此示例中，是PTFE，有利的是也是食品安全的。每个容器都包括用于每个水果的隔间104。隔间的大小适合要成像的最大尺寸的水果。在此示例中，隔间是边长为10cm的正方形。在水果之间有由MRI不可见材料制成的墙或隔断106(在图4a和图4b中，为了清楚起见，仅有部分墙旁边有附图标记)。换言之，水果被MRI不可见材料所分开。有利地，通过用MRI不可见墙将水果分开，在水果之间提供了良好的对比度，这帮助了从MRI图像上识别果。每个容器都具有围绕上部或下部外边缘的锁定或咬合特性(未在图中示出)，以和上方和下方的另一个容器锁定。这样，每个容器的位置是可互换的，并且它们在系统中可容易地被再利用。同时，每一堆容器的高度都是35cm。
如图5所示，在使用时，每三个容器100的堆叠位于输送机108上，并且每堆容器都快速轮流穿过MRI装置110。这样，可对位于不同水平和/或竖直位置的多个食品同时成像。每堆容器在被成像时短暂停留在MRI装置内。在此示例中，每堆容器三秒钟。
MRI装置110包括磁轭112。磁轭是框架，在此示例中，具有U形横截面，永磁体114在其每个自由端115处附接到该框架。这种布置提供了穿过待成像水果的磁场。提供匀场线圈以使磁场均匀性维持在要求的范围内。永磁体设计与匀场线圈一起提供足够均匀的成像体积以包围被成像的水果。
在MRI装置110的入口117和出口118处提供波导管(未示出)，其被配置为减弱外部电磁(EM)噪声。有利地，这些也起机械防护的作用。
MRI装置110包括位于由磁体提供的均匀磁场中的定制相控阵列收发器线圈116和水果在其中被保持成像的匀场线圈。该线圈提供了独特的空间灵敏度分布以增加多个水果(每个果实簇)的数据收集速率。实际上，单线圈像多个线圈一样起作用，每个线圈用于在均匀磁场中对每个果实进行成像。换言之，容器堆中的每一个水果。此外，尽管同时扫描全部水果，但对每一个水果提供了作为T2弛豫或磁化的函数的信号强度测量。如本领域已知的那样，T2弛豫是质子变得不同相或换言之变得不同步的地方。结果，横向磁化衰减。
MRI装置110采用一个定制的多层多回波脉冲序列来近乎同时地得到要求数量的切片。在这个示例中，切片的大小和数量经过选择，使得不是每个水果的全部都被成像。事实上，远小于全部的水果被成像。切片的大小和数量被选择使得任何间隙或没被成像的部分不大于此系统尝试识别的籽(或其他特性)的估计的最小尺寸。在此示例中，以对于3层水果中的每一层为5片的形式得到了15个图像切片。每个切片的厚度或宽度都很重要。它按照典型的籽(被成像然后被识别的目标特性)的尺寸被选择，并且非常宽，在此示例中，为10mm(但可在5mm到15mm之间)。这很重要，因为结果是提供了非常低的图像分辨率。正如本申请的发明人已经意识到的那样，这减少了MRI成像时间，但用于识别籽的信息没有丢失，假如执行了用以增强图像的计算机图像处理。换言之，只有或基本只有准确确定目标特性(籽)的存在所需的信息才被寻找和收集。
视场和k空间采样频率(k空间是获取的磁性共振图像的傅里叶变换)被选择以在成像体积的每个切片上实现足够的成像分辨率同时保持高扫描速度。采用k空间填充模式以成像分辨率为代价来提供快速成像速度。换言之，提供一个故意粗略的图像分辨率。本专利申请的发明人已经意识到，在经过随后的以增强成像的图像处理后，如下面更详细解释，图像分辨率的降低没有大到以至于阻止目标特性(籽)被识别出。这是违反直觉的，因为人们通常试图去获得最好的成像分辨率。
从被扫描的水果或橙子中得来的每个图像之后通过使用计算机(未示出)上的定制的识别软件被增强和评估。
总体上讲，计算机上安装的图像分析软件执行以下步骤。
由MRI设备获得的如上所述的来自15个图像切片(每层5片的3层)的原始数据被检索或输入到计算机中。应用傅里叶逆变换来将此k空间数据转化为每个切片的图像。并行处理每个橙子的每个切片的图像以检测每个橙子的位置。这是一个可选步骤，并且可被用来提供每个橙子的尺寸。然后处理每个橙子的切片来如下检测一个或更多的籽。
使用已知技术，例如滤波器和形态运算，来消除噪声。然后应用智能阈值转换法将潜在的籽或候选的籽从背景中分离出来。换言之，例如，如果预定数量的图像像素的强度高于预定的阈值强度，则它们被标记为潜在的候选籽。这可与其他技术结合使用，例如距离变换，举例来说。然后进行图像分割，包括轮廓检测和过滤，例如，通过尺寸过滤轮廓。可选地，确定轮廓形状以确认候选籽是一个或多个籽。
最终，合并单独地切片以确定哪些橙子具有一个或多个籽。被识别为具有一个或多个籽的橙子相应地被标记。
更详细地说，MRI设备的用于橙子籽检测的图像处理的步骤如下并且在图6的流程图200中示出。它们以软件中或作为安装在计算机上的计算机程序来实现。这些步骤可以在计算机的通用处理器上或有利地在提供快速处理的计算机的图形处理单元(GPU)上执行。计算机程序或指令可在非暂时性计算机可读介质上提供。该计算机可读介质可包括，例如，CD-ROM、DVD-ROM、硬盘驱动器或诸如USB(通用串行总线)存储棒的固态存储器。
首先，由计算机的处理器从MRI图像(步骤202)重建图像。在计算机处接收或输入来自MRI装置的原始数据，其形式为来自多个k空间数据片段中的磁共振反射的数字化回声信号。原始数据采用某种格式，在本示例中为DICOM(医学数字成像和通信)格式。数据代表了正在被成像的水果切片的最佳部分。数据由计算机处理器以数据矩阵形式解码成特定的数据结构。计算机处理器在此数据矩阵上应用傅里叶变换，这以红绿蓝颜色模型(RGB)或灰度重建了水果图像。
然后计算机处理器通过滤波(步骤204)对RGB或灰度图像进行预处理。上述得到的初始图像可含有噪声或其他人为因素，包括模糊或混乱的图像。计算机处理器应用串行滤波器，例如高斯滤波器、中值滤波器、直方图均衡、滤熵器、箱式滤波器、低通和/或高通(此后两者结合清除所谓椒盐噪声)。这些过滤技术中的一种或多种被用于增强MRI图像数据，例如以改善图像的对比度和/或清晰度。
然后计算机处理器执行图像背景和前景减除以进一步增强MRI图像数据(步骤206)。通过执行高斯滤波，统计滤波，高斯混合建模和/或逐位运算，计算机处理器在像素级上分离正面和背面图像。这样，全部背景图像被从图像中消除。
然后，计算机处理器执行图像分割和分类(步骤208)。基于与预定的校正模型的比较来执行分类。通常通过使用比食品特性检测系统中时间更长、更高分辨率的MRI图像技术，通过预成像许多候选水果(以百计的候选数量级)，来校准模型。通过使用一个或更多的聚类分析技术或其他机器学习技术，例如，k均值聚类、固定阈值、自适应阈值、或基于校准模型统计分析，从结果图像中识别潜在的含有籽的区域或片段，来形成二进制图像。
然后计算机处理器进行对象的识别和检测(步骤210)。提供形态运算和/或无监督学习来平滑暗点或孤立独特的小点,以突出显示独特的图像来提高籽识别的准确性。事实上，这是对MRI图像数据的进一步增强。然后执行填孔和边界去除。最后，采用面积计算来识别一个或多个籽。这样，增强的图像数据被计算机处理以检测至少一个籽。
然后计算机处理器将标签用于被识别具有一个或更多籽的水果上(步骤212)。这些标签识别单个水果或籽，以展示、跟踪、监控和进行输送机操作，使得具有一个或更多籽的水果可被输送机适当地处理，例如引导有一个或更多籽的水果沿一条路径下去，无而籽的水果沿另一条路径。
本发明的实施例已经描述。应当意识到对此描述的实施例的可进行的变化和修改也在本发明的范围中。