Ecotech et International AdvancedCollaboration entre les entreprises de technologie instrumentale, dédiée à fournir "Eco- agriculture- programme technique global "santé". Société basée sur International AdvanceddeLa technologie d'imagerie hyperspectrale specim, combinée à la vision industrielle et à l'intégration de la R & D automatisée, offre aux utilisateurs des solutions de tri en ligne diversifiées, personnalisées et automatisées qui permettent une classification rapide à haut débit et une réponse en temps réel pour les pipelines industriels. Le système peut être combiné avec des pipelines industriels, des bandes transporteuses et des systèmes de tri intelligents, basés sur de puissantes capacités d'identification spectrale et des modèles de classification flexibles pour produire des résultats d'identification précis en temps réel. Les utilisateurs n'ont pas besoin d'effectuer une série complexe de codage et de résolution d'images spectrales Pour obtenir le résultat final, réduisant considérablement le seuil d'application de la technologie d'imagerie hyperspectrale sur le marché.

Caractéristiques principales:

▌ SpectraScanTechnologie de plate - forme de balayage d'imagerie spectrale avec un schéma d'adaptation personnalisé spécial en fonction de la scène d'utilisation de l'utilisateur

▌ imageur hyperspectral à balayage poussé de qualité industrielle, disponible en option400 à 1000nmEt,900 à 1700nmEt,2700 à 5300nmBandes égales

▌ logiciel de formation de modèle de classification: l'utilisateur peut visualiser les données d'échantillon, former le modèle de classification, vérifier l'effet de la classification, créer une application

▌ tri en ligne en temps réel: unité de traitement de données haute performance qui fonctionne en temps réel selon le modèle de classification et affiche les résultats de tri en ligne

▌ soutienGigE,USB 3.0, RS-232/485,CANInterface, peut être compatible avec les processus en aval de la chaîne de montage industrielle, tri intelligent assisté

▌ technologie d'imagerie hyperspectrale parCEEt,la FCCEt,RoHS3Certification Mainstream internationale

Cas d'application:

1, test de qualité de pistache

La qualité des noix est généralement évaluée en fonction de la fraîcheur du produit, avec ou sans défauts, des contaminants tels que les acariens et les matières étrangères, et dans le contrôle de la qualité des pistaches, la détection des défauts et des matières étrangères est le lien le plus important dans la production.

Les méthodes précédentes telles que HPLC, GC - MS, IR - MS présentent des inconvénients qui ne peuvent pas être détectés en temps réel. Au cours des dernières années, les technologies de vision industrielle basées sur l'imagerie couleur (RGB) ont joué un rôle important dans les processus de transformation des aliments et le contrôle de la qualité, entre autres, mais il existe encore des plaques courtes pour l'identification des acariens, des moisissures et d'autres matières étrangères. Les expérimentateurs italiens ont appliqué des techniques d'imagerie hyperspectrale (IHS) au contrôle de la qualité des pistaches pour effectuer des analyses qualitatives et quantitatives des différentes caractéristiques physico - chimiques des échantillons, afin d'explorer des stratégies plus optimales pour le contrôle de la qualité des aliments.

Les expérimentateurs ont choisi au hasard différents types d'échantillons spécifiques du mélange de pistaches, en divisant les 99 échantillons en 6 catégories: pistaches comestibles (23), pistaches non comestibles (23), coquilles de pistaches (13), pellicules de pistaches (13), branches fines (13) et noyaux (14). Comme le montre la figure 1.1 à gauche, les échantillons ont été divisés en deux groupes, l'ensemble d'apprentissage (70%) et l'ensemble de vérification (30%), les spectres originaux ayant d'abord été prétraités pour mettre en évidence les différences caractéristiques des six classes de spectres.

Figure 1.1 à gauche: diagramme rgb (A), ensemble d'entraînement (b) et ensemble de vérification (c); Droite: spectres de réflexion moyens (A) et prétraités (b) pour les échantillons de 6 classes dans la gamme swir

L'ensemble de données d'entraînement a été formé à l'aide de l'analyse en composantes principales (APC), en appliquant différents modèles de classification de la méthode de classification multivariée, et les résultats de l'entraînement sont présentés à gauche dans la figure 1.2 ci - dessous, où le diagramme prédictif cart est similaire aux résultats de l'APC - knn, obtenant de très bons résultats de classification, supérieurs à ceux obtenus avec l'APL - da et l'APC - da. L'ensemble de données vérifiées a été prédit à l'aide de différents modèles de classification, et les résultats sont présentés à droite de la figure 1.2, où les modèles ont tous correctement identifié les Stones, les cartes prédictives PLS - da et PCA - da sont similaires et montrent les mêmes zones de mauvaise classification, tandis que les cartes prédictives du modèle cart sont caractérisées par des pixels de mauvaise classification plus dispersés. Le graphique de prédiction PCA - knn montre le meilleurEn conséquence, il y a très peu de zones mal classées pour une seule catégorie.

Figure 1.2 gauche (A, B, C, d) pour les résultats de l'entraînement; Droite (A, B, C, d) pour le résultat prévu

Les résultats montrent que la technologie d'imagerie hyperspectrale basée sur la bande swir offre une bonne approche pour la surveillance et le contrôle de la qualité des pistaches, avec de vastes perspectives dans les scénarios de détection hors ligne ou en temps réel pour les applications industrielles.

2. Évaluation non destructive de test de qualité de thé de fleur et d'herbe

À mesure que les préoccupations des consommateurs en matière de santé augmentent, la consommation de tisanes florales augmente également progressivement. Les tisanes florales sont un mélange de deux ou plusieurs espèces végétales basées sur le but d'améliorer le goût et d'augmenter les avantages pour la santé. Comme pour d'autres aliments ou nutraceutiques, le contrôle de la qualité (CQ) des tisanes florales est important pour assurer la sécurité alimentaire et les effets sur la santé.

Les méthodes traditionnelles de contrôle de la qualité, telles que la chromatographie liquide à haute performance (HPLC) et la spectrométrie de masse (MS), sont très répétitives et précises, mais prennent beaucoup de temps et sont destructrices, nécessitant également une détection individuelle de chaque composant dans le cas de plusieurs matières premières, ce qui prend encore Plus de temps. Dans cette étude, les techniques d'imagerie hyperspectrale ont été utilisées comme une méthode rapide et non destructive pour évaluer et contrôler la qualité des tisanes florales en combinant la spectroscopie traditionnelle et l'imagerie numérique.

Des chercheurs de l’université des sciences et technologies de tswani ont utilisé l’imagerie hyperspectrale swir pour acquérir des images hyperspectrales de matières premières (S. tortuosum et C. genistoides) et de cinq lots d’un mélange de tisanes florales (Honeybush sceletium) achetés auprès de la société parceval Pty. Une distinction complète et non destructive a été faite entre les deux matières premières, sans connaissance chimique pertinente, et l'analyse en composantes principales (APC) a révélé une différence de composition chimique de 54,2% entre les matières premières S. tortuosum et C. genistoides.

Figure 2.1a) deux matières premières de thé; b)PC1； C) diagramme de dispersion de pixels différents pour deux feuilles de thé (T1 vs T2)

Dans l'identification rapide et non destructive et la quantification de la composition des tisanes florales, un modèle PLS - da a été développé sur la base du modèle d'étalonnage PCA, comme le montre la Figure 2.2 à gauche, où les résultats de l'ensemble d'essais sont similaires à ceux du PCA, où deux grappes de pixels distinctes ont été observées, ce qui a donné une différence de composition chimique de 52,8%, et l'image y correspondante est affichée à côté du diagramme de dispersion, indiquant que les matières premières pures sont classées à 100%. La Figure 2.2 montre à droite l'image RGB de l'ensemble prédictif et les résultats prédictifs, qui comprennent deux échantillons de l'ensemble d'essai externe et cinq lots de mélanges de tisanes, qui confirment que le modèle peut prédire avec précision les caractéristiques de la composition du mélange de thés, prédire que le mélange de tisanes ne contient que deux matières premières, S. tortuosum et C. genistoides, et prédire quantitativement que C. genistoides est l'ingrédient principal (teneur > 97%), tandis que S. tortuosum est faible (< 3%), avec des résultats quantifiés proches des formulations standard prescrites par l'entreprise pour c. genistoides = 96% et S. tortuosum = 4%. Les résultats expérimentaux ont montré un bon potentiel pour les techniques d'imagerie hyperspectrale dans l'évaluation de la qualité des produits alimentaires et pharmaceutiques tels que les mélanges de tisane.

Figure 2.2 à gauche: a) diagramme de dispersion PLS - da et score; B) différences spectrales moyennes entre S. tortuosum et C. genistoides. Droite: visualisation des échantillons de l'ensemble de prédiction, a) Image RGB; B) prédiction de classe basée sur le modèle PLS - da

Basé sur la technologie d'application innovante d'imagerie spectrale speatrapp, yikotai ecotech fournit des solutions d'imagerie spectrale personnalisées pour le tri et le contrôle de la qualité des produits alimentaires et pharmaceutiques chinois, la collecte de semences, le tri en ligne des pipelines industriels, le recyclage des déchets, le contrôle de la qualité des lignes de production, les applications de vision industrielle et d'autres applications à haut débit.

De gauche à droite, cueillette de moisissure d'arachide, tri de viande (porc, bœuf, agneau), détection de la glycémie des pommes (avec la permission du laboratoire d'imagerie spectrale d'yikotai)

Références:

[1] Bonifazi G, Capobianco G, Gasbarrone R, et al. Détection des contaminants dans les noix de pistache par différentes méthodes de classification appliquées aux images hyperspectrales infrarouges à ondes courtes [J]. Contrôle des aliments, 2021, 130(26):108202.

[2] A M S, A W C, B I V A, et al. Évaluation non destructive de la qualité des mélanges de thés à base de plantes à l'aide d'imagerie hyperspectrale - ScienceDirect [J]. Lettres de Phytochimie, 2018, 24:94-101.