用于植物选定和加工的技术的制作方法

用于植物选定和加工的技术
1.相关申请的交叉引用
2.本技术要求于2019年3月15日提交的第16/354,452号美国专利申请的优先权，其公开内容整体并入本文中。


背景技术：

3.像水果和蔬菜的植物，例如橙，包含所期望的“主要”产品(例如用于膳食消费的果汁)，可以通过加工来提取。一些植物的主要产品，例如柑橘类水果，与其他植物相比具有更多所期望的特性，例如白利糖度、酸度、颜色、ph值和苦度等。植物还可以包含其他所期望的副产品，例如油，其可以单独使用或者用于形成其他最终产品。例如，柑橘皮油是一种用于香精工业中的精油和有价值的副产品，在制造果汁的过程中从橙和其他柑橘中提取。在植物中的主要产品和副产品的量和质量可以受到多个不同环境因素的影响，并且可以因相同植物的不同品种而不同。例如，在哈姆林橙和瓦伦西亚橙之间存在已知的差别。
4.识别和了解植物的成分(content)(例如，主要产品和副产品(例如总可用油(total available oil，tao))的量(quantity)和质量，需要进行测试。一些方法包括采集植物，并且将采集的植物送往实验室进行破坏性的“湿化学”测试，植物在实验室里被粉碎、与水共混、通过蒸馏从等试样中化学提取油，并对油进行滴定测量以确定总可用油。然而，这种过程耗时、昂贵，并且导致植物的破坏，使其无法作为最终产品进行销售。这给水果的采购和加工带来了挑战。
5.该背景提供了一些被认为可能与本公开相关的信息。任何前述信息既无意图承认、也不应推断或解释为任何前述信息构成对本公开的现有技术。
附图说明
6.在附图中通过示例而非通过限制的方式来说明本文描述的概念。为了图示的简单和清晰，在附图中示出的元件并不一定按比例绘制。在认为适合的情况下，在附图中重复参考标记以表示对应的或类似的元件。
7.图1是根据本公开的用于从植物收集主要产品和副产品的价值最大化方法的至少一个实施例的简化框图，其示出了植物基于相对成本
‑
成分值来采购、基于可提取成分的相对值来分类和加工、并且所产生的主要产品和副产品被收集来用于提炼和销售。
8.图2是根据本公开的用于采购植物的采购方法的至少一个实施例的简化框图，其示出了在不同来源地测试植物、在来源地之间比较测试数据、并且确定相对值以采购用于进行加工的植物。
9.图3是根据本公开的用于校准用来确定植物成分的近红外扫描仪的校准方法的至少一个实施例的简化框图。
10.图4是根据本公开的用于生成来源模型以将植物的来源数据与关于植物成分的数据关联的测试方法的至少一个实施例的简化框图。
11.图5是根据本公开的来源地图的示意图，其示出了来源地图可见地表示植物的来
源数据和关于植物成分的数据之间的相关性。
12.图6是根据本公开的用于确定植物成分的预测值的预测方法的至少一个实施例的简化框图。
13.图7是根据本公开的用于将植物成分的提取的值最大化的加工方法的至少一个实施例的简化框图。
14.图8是根据本公开的用于识别植物的可提取成分并通过可提取成分的相对值来将植物分类的测试方法的至少一个实施例的简化框图。
15.图9是根据本公开的用于将植物成分的提取的值最大化的加工方法的至少一个实施例的简化框图。
具体实施方式
16.如前所述，植物包含各种有价值的主要产品和副产品。为了便于描述，所公开实施例以水果为参考进行描述。因此，当描述和附图参考水果时，技术人员将理解这样的参考同样适用于植物，并且所描述的实施例适用于任何植物材料，包括其所有成分，例如树木、灌木、根、茎、种子、树叶、坚果、树皮、水果和蔬菜，以及其他附着/分离的植被和材料。在一些方面，该材料是可食用的食物，例如可食用的水果或蔬菜。在某些方面，该水果可以包括但不限于芸香科(通常也称为柑橘科)中的水果，并且可以以橙、柠檬、葡萄柚、柚子、酸橙、柑橘、柑桔、橘子、和葡萄柚作为示例，其在本技术中可以称为柑橘类水果。
17.水果油，例如从橙皮中提取的油，是来自水果加工过程的有价值的副产品。一些水果可以具有量/质量较为理想的主要产品(例如果汁)和量/质量不太理想的副产品。在采购和加工阶段了解水果的具体成分是有益的，以便最大限度从水果中提取有价值的主要产品和副产品。在一些实施例中，这包括基于水果的所确定的成分来调整提取过程。
18.一些用于识别水果中的这些主要产品和副产品的量/质量的方法是破坏性的，使水果无法用于形成最终产品，这是浪费的且成本高。这些测试方法也是耗时的(减慢生产)且实施成本高，并且主要用于评估后加工的整体油回收率。这会使水果加工者在采购和加工水果时处于不利地位，并且不提供早期读取信息来支持主要产品和/或副产品的回收。一些水果可能具有低质量的果汁，从而贬损了水果的成本，但是也包含了大量的油。这可以通过允许以较低的相对价格购买高油量的水果以对有价值的油副产品进行提取来提供价值利益。相似地，可以有利地识别、采购和加工具有低主要产品和低副产品(和高主要产品和高副产品)的组合的水果。由于一些测试方法的限制，水果的种植者和采购者在生产的采购和加工阶段并不了解水果中成分的质量/量。在一些情况下，种植者接收水果的价格基于主要产品的质量/量，而没有实质性考虑该特定的水果中所含的一种或多种副产品的价值。对水果中存在的副产品的量的考虑不会超出该品种已知的通常量(例如，瓦伦西亚橙品种比哈姆林橙品种有更高油含量)。根据本公开，近红外(near
‑
infrared，nir)扫描技术可以在移动平台中提供对水果成分的快速、无损的测试，这允许通过在生产的采购和加工阶段了解水果中成分的质量/量(包括在一个水果品种内和跨水果品种)，通过水果的优先采购和加工实现价值的最大化。
19.图1所示的是根据本公开的用于从水果(例如，橙)中收集主要产品和副产品的价值最大化方法10的一个实施例。价值最大化方法10包括用于从水果中收集主要产品16和收
集副产品18以供后续提炼和销售的采购方法12以及分类和加工方法14。主要产品可以包括，例如，来自水果体内的果汁，以及其他主要产品。主要产品所需的质量可以包括，例如，白利糖度(即糖含量)、酸度、颜色、ph值和苦度，以及其他所需质量。这些特性也可以用作整体水果的成熟度和/或质量的指标。副产品可以包括，例如，主要存储在水果的果皮中的油(有时候称为果皮油或精油)，以及其他所需的副产品。了解水果中的主要产品和副产品的量也可能是需要的。
20.图2示出了根据本公开的用于价值最大化方法10的采购方法12的一个实施例。采购方法12包括测试步骤11、比较步骤13和确定步骤15。测试步骤11包括在来源地处(例如，水果种植的地方)的水果测试，以识别水果中所期望的成分的量和/或质量。在一些实施例中，可以测试水果以识别水果中所含的油量。在一些实施例中，可以测试水果以识别水果中所含的油量和水果中所含的果汁的质量。在一些实施例中，在整个水果生长周期中多次进行测试步骤11。在一些实施例中，在采购用于加工的水果之前进行测试步骤11。
21.近红外扫描技术可以用于测试水果和确定水果成分的质量/量。图3示出了根据本公开的用于校准用来确定水果成分的近红外扫描仪的校准方法20的一个实施例。在说明性实施例中，在扫描步骤22中对测试水果进行一个或多个近红外扫描以获取测试水果的光谱数据。在参考步骤24中，对测试水果进行参考测试(例如损毁性湿化学测试)以获取关于测试水果中所需特性的值(例如，主要产品和/或副产品的量/质量)的参考数据。在建模步骤26中，生成特性模型以将光谱数据与参考数据关联。在一些实施例中，特性模型是通过算法、化学计量学和/或其他统计原理生成的。然后，可以根据特性模型来评估其他水果上的近红外扫描，以确定相同类型的其他水果(例如，两种水果均为橙)的所需特性的值。在一些实施例中，为不同品种的水果(例如，哈姆林和瓦伦西亚)生成特性模型。
22.在说明性实施例中，在多个来源地进行测试步骤11，如图2所示。来源地(有时候称为果园或果树林)可以在地理上彼此分离。来源地也可以具有不同的环境特性(例如土壤成分、阳光、湿度、植物的健康度和成熟度等)，并且可以生产不同品种的水果(例如哈姆林橙或瓦伦西亚橙)。采购方法12的比较步骤13将在测试步骤11中从各个来源地获取的测试数据进行比较，以识别在不同来源地的水果中的成分的相对质量/量。在一些实施例中，测试步骤11和/或比较步骤13可以在数分钟内完成，相比起其他用于确定水果成分的方法需要数小时甚至数天来完成而言提供了优势。
23.根据本公开，采购方法12的测试步骤11遵循如图4所示的测试方法。在确定步骤32中，确定所选定的水果的来源数据。在一些实施例中，来源数据可以包括地理位置数据、果园的名称、果园的大小、果园的预期产量(即，所收获的水果的数量)、环境条件和与被测试的所选定的水果的来源地相关的其他信息。在扫描步骤34中，对所选定的水果进行近红外扫描，以获取所选定的水果的光谱数据。在比较步骤36中，基于所生成的特性模型来评估光谱数据，如本文所述，以确定所选定的水果中的所需特性的值(例如，主要产品和/或副产品的量/质量)。在建模步骤38中，生成来源模型以将确定的所需特性的值与来源数据关联。
24.来源模型还可以包括来自使用测试方法11的多个来源地的水果的信息，该测试方法11用于在采购方法12的确定步骤15中确定相对成本
‑
成分值，如图2所示。在一些实施例中，确定步骤15的输出基于比较步骤13的输出和来源地提供的成本数据。在一些实施例中，基于比较步骤13的输出来评估用于确定步骤15的相对价格。了解水果的成本
‑
成分值可以
允许水果采购者购买用于加工的使生产有价值的最终产品的成本最小化的水果。
25.在一个说明性实施例中，从测试方法11中生成的来源模型可以用于生成如图5所示的来源地图40。来源地图40以图形表示来源地位置和与来源地相关的信息。来源地图40包括陆地42的图形表示，例如，佛罗里达州的轮廓，以及在陆地42内的地理位置处叠加的标识44、46、48。标识44、46、48可以对应于关于在来源地处的水果的所需特性的数据，例如相对油含量。也可以包括其他信息并且该其他信息在用户选定时可见。在其他实施例中，天气数据可以叠加在来源地图40上，从而用户可以确定对在不同来源地处的水果的潜在影响。例如，飓风可以经过某些来源地，并且对这些来源地的水果的成分产生可预测的影响(例如，较低的油含量)。在一些实施例中，这种信息可以用于调整水果的成本
‑
价值，并且在选定用于采集进行加工的水果的来源地之前使用。
26.图6示出了根据本公开的用于确定水果成分的预测值的预测方法50的说明性实施例。在识别步骤52中识别先前时间段(例如，在从上一年收割的时间)的如本文所述的来源模型。在确定步骤54中，确定在先前时间段内加工的水果的所需特性的综合值(composite value)(例如，所提取的总油量)。在生成步骤56中，通过将所确定的所需特性的综合值与先前时间段的来源模型关联来生成预测模型。在生成步骤58中生成稍后时间段(later time period)(例如，当年的收割前)的来源模型。在确定步骤59中，通过将稍后时间段的来源模型与预测模型进行比较来生成所需特性的预测综合值。该预测综合值可以有利于在采购阶段谈判价格和主要产品和/或副产品的预期收集，以识别最终产品的销售对预期利润的潜在影响。
27.图7示出了根据本公开的用于数值最大化方法10的分类和加工方法14的一个实施例。在说明性实施例中，在收获期间采集的水果在采集步骤62中被带到加工设施。基于所采集的水果的确定的可提取成分在分类步骤64中进行水果的分类。在一些实施例中，如本文所述，可提取成分从预先确定的来源模型中获知，并且来自各个来源的水果被采集在可识别的箱子中，以在分类步骤64中进行分类。在一些实施例中，水果中油的相对量用于将水果分类为不同的批次61、63以进行加工。在一些实施例中，油含量最高的水果被分类至批次61，并且提供给用于在提取过程66中提取高油含量副产品的设备，而低油含量水果被分类至批次63，以在用于在提取过程66中提取主要产品(例如，果汁)的其他设备上进行加工。应当理解的是，批次61、63仅仅是代表性的，并且可以使用更多或更少批次并可以基于水果的其他所需特性来使用更多或更少批次。
28.图8示出了根据本公开的用于识别水果的可提取成分并通过可提取成分的相对值将水果分类的测试方法70的一个实施例。在扫描步骤72中，对所采集的水果进行快速、无损的近红外扫描，以获取所采集的水果的光谱数据。如本文所述，在确定步骤74中，基于所生成的特性模型来评估光谱数据，以确定所需特性(例如，可提取成分的量/质量)的值。在分类步骤76中，基于所需特性的相对值将所采集的水果进行分类。
29.图9示出了根据本公开的加工方法80的一个实施例。在说明性实施例中，水果在来源地81处采集并被存放到运输车82中。运输车82从来源地81行进到加工设施83，所采集的水果在加工设施83处被存放至分类存储箱84中。所采集的水果基于其可提取的成分进行分类，并被送至加工线85以清除不需要的物质(例如，枝、叶等)以及在提取之前对水果进行清洁。加工线85的传输机通往用于从所采集的水果中提取主要产品和/或副产品的提取器86。
可以在整个加工方法80中进行一次或多次近红外扫描87，以确定水果的可提取成分的量和/或质量。例如，如本文所述，为了有利的水果采购，可以在来源地81对水果进行近红外扫描87。在一些实施例中，在来源地81处的近红外扫描87用于推测在来源地81(或者来源地81的单独的“区”)处的水果的可提取成分的量和/或质量。在一些实施例中，可以在水果已经存放在运输车82上期间或之后进行如本文所公开的近红外87。在运输车82处的近红外扫描87可以用于推测在运输车82上的水果的可提取成分的量和/或质量。在一些实施例中，在水果从运输车82移除之前，可以在入口处或者在加工设施83内进行如本文所公开的近红外扫描87。在一些实施例中，可以在将水果分类至各种分类存储箱84之前进行如本文所公开的近红外扫描87。在分类之前的近红外扫描87可以用于推测在各个分类存储箱84中的水果的可提取成分的量和/或质量。在一些实施例中，在将水果从分类存储箱移动至加工线85之前或期间可以进行如本文所公开的近红外扫描87。在加工线85上的近红外扫描87可以用于推测在每个加工线85上行进的水果的可提取成分的量和/或质量。在一些实施例中，在水果到达提取器86之前不久进行如本文所公开的近红外扫描87。在一些实施例中，当水果到达提取器86和/或在提取器86中进行提取期间进行如本文所公开的近红外扫描87。在一些实施例中，在提取器86处的近红外扫描87可以用于确定提取完成的时间。各种近红外扫描87允许以更清晰的方式有利地对水果进行加工并提取其成分。在一些实施例中，对每个水果进行近红外扫描，以将水果的提取加工最大化。
30.了解水果成分可以提供对水果的有利加工。在一些实施例中，主要产品和/或副产品提取设备的操作可以基于水果所确定的特性来调整。例如，可以从布朗国际公司(brown international corporation,llc)商购获得的布朗油提取器(brown oil extractor，boe)，使用多个带刺辊来从橙中提取油。相邻辊之间的可调整的速度差控制为了提取油而施加在橙上的功的量(例如，更多功提取更多油)，但也可以通过将潜在的苦味从油中引入果汁中而影响果汁质量。加工时间也可以影响从橙中提取的油量(例如，更多时间提取更多油)。在一些实施例中，橙进入布朗油提取器的进料速率影响橙通过布朗油提取器的进料速率，并且可以使用更慢或更快的进料速率来控制加工时间。一些油含量较高的橙在与油含量较低的橙相同的加工条件下，可以展现出更高的提取率，从而使得油含量较高的橙以较高速度来加工的同时，比以较低速度加工的油含量低的橙提取相同或更多的油。在一些实施例中，油含量高并且果汁质量低(例如，白利糖度低)的橙可以通过布朗油提取器以较快的速度和相邻辊之间具有较大的速度差(即，施加在橙上更多的功量)来加工。在一些实施例中，油含量高并且果汁质量高(例如，白利糖度高)的橙可以通过布朗油提取器以较慢的速度和相邻辊之间具有较大的速度差来加工。在一些实施例中，油含量低并且果汁质量高的橙可以通过布朗油提取器以较慢的速度和相邻辊之间具有较小的速度差来加工。其他提取过程也可以根据这些过程的特性基于如本文所述的确定的可提取成分来调节。在一些实施例中，在提取油之后，从水果中提取主要产品(例如果汁)。
31.在说明性实施例中，本文所述的方法和流程用于确定水果成分，特别是柑橘类水果，例如橙、柠檬、酸橙、橘子、葡萄柚和柑橘等。
32.在说明性实施例中，水果的采购者或者加工者用近红外扫描技术可以以高的准确性和精度快速确定总可用油(total available oil，tao)，而不破坏整个完整的水果。随后用总可用油的先进和先验知识来有利地加工水果。在收获一年生作物前的操作期间将油映
射到来源的能力，使采购者有能力使用该知识来有利地选定总可用油的内在浓度较高的水果。采购者也可以使用先前的油映射知识来选择性地将水果分类，以在榨汁之前从整个水果中提升油提取过程的回收率。测试信息还可以在若干周之前提前了解相对于上个季节将会被从水果中回收的所期望的油的知识。这些信息可以用于生成预测预报，以指导副产品果皮油的销售策略和获利机会，以及有利于销售的存储容量。
33.虽然本公开的概念易于进行各种修改和替代形式，但是其具体实施例已经通过示例的方式在附图中示出并将在本文中详细描述。然而，应当理解，没有意图将本公开的概念限制于所公开的特定形式，相反地，意图是涵盖所有与本公开和所附权利要求一致的变型、等同和替代。
34.在说明书中对“一个实施例”、“说明性实施例”等的引用，表明描述的实施例可以包括特定的特征、结构或特性，但每个实施例可能或可能并不包括该特定的特征、结构或特性。此外，这种短语不一定是指相同的实施例。此外，当结合一个实施例描述特定的特征、结构或特性时，认为结合其它实施例来实现这类特征、结构或特性在本领域技术人员的范围内，无论是否有明确描述。此外，应当理解，以“至少一个a、b和c”的形式包括在列表中的项目可以表示(a)；(b)；(c)；(a和b)；(a和c)；(b和c)；或者(a、b和c)。同样，以“a、b或c中的至少一个”的形式列出的项目可以表示(a)；(b)；(c)；(a和b)；(a和c)；(b和c)；或者(a、b和c)。
35.在一些情况下，可以在硬件、固件、软件或者它们的任意组合中实现所公开的实施例。所公开的实施例还可以被实现为在暂时性或非暂时性机器可读(例如，计算机可读)存储介质上承载或存储的指令，该指令可以由一个或多个处理器读取和执行。机器可读存储介质可以体现为任何用于以机器(例如，易失性或非易失性存储器、媒体光盘或其他媒体设备)可读的形式存储或者传输信息的存储设备、机制或其他物理结构。
36.在附图中，一些结构或方法特征可以以特定的布置和/或顺序示出。然而，应当理解的是，可能不需要这种特定的布置和/或顺序。相反地，在一些实施例中，这种特征可以以不同于说明性附图中所示的方式和/或顺序来布置。此外，在特定附图中的结构或方法特征并不意味着在所有实施例中都需要这样的特征，并且在一些实施例中，可能不包括这样的特征或者这样的特征可以与其他特征组合。