基于计算机视觉的食品干燥智能监控系统——胡萝卜片的研究

PART-01

摘要

采用嵌入计算机视觉(CV)系统和称重传感器的对流干燥器，连续监测产品干燥(35℃，35% R.H, 3 m/s气流)期间未漂白或漂白(90℃，2分钟)的胡萝卜片。CV系统和称重传感器被选为主动质量设计框架内的在线过程分析技术工具，并嵌入用于:i)监测产品特征(即重量、颜色和尺寸);ii)利用线性回归建立与收缩相关的水分预测模型。与选择的复杂性增加的薄层模型相比，评估的与收缩相关的线性模型表现出优越的性能(RMSE, 0.005-0.007)。该研究测试了一种具有自动化潜力的智能原型烘干机，并集成了主动质量策略。

PART-02

介绍

工业上，以对流为基础的干燥是延长食品保质期的最可行的方法，可以最大限度地减少物理化学变化和微生物变质。然而，这些干燥系统因其资源密集性(能源，劳动力)，高环境影响和食品质量问题而受到批评，这些问题可能与(i)化石燃料干燥机的主导地位(~ 85%)有关。占总能耗的12 - 25%;(ii)严重依赖操作员在过程控制方面的经验;(iii)导致产品质量失败(即干燥不足或过度干燥)的传统反应性产品测试分析方法，从而降低能源效率。

CV系统作为智能MCS (SMCS)的组成部分在干燥机中使用，可以实现实时数据测量和随后的基于模型的监控，以确定过程终点以及产品质量控制。为了测试设置，由于热风干燥机的广泛工业应用以及胡萝卜作为一种蔬菜在干燥部门的重要性，胡萝卜的对流干燥被确定为合适的产品过程矩阵。因此，这项工作的目的是通过(i)在原型干燥器中实现CV系统作为SMCS的一个组成部分，用于实时监测产品变化，为基于pat的胡萝卜干燥QbD方法奠定基础;(ii)开发线性模型，利用在线产品变化(收缩)来预测样品经过常见工业预处理(如漂白)后的干燥行为;(iii)以经典薄层方法为基准，评估基于cv的收缩相关解决方案的性能和鲁棒性优势，用于实时干燥监测和控制。

PART-03

材料与方法

3.1样品制备

相同成熟度(~ 18cm长)的胡萝从当地市场购买，并立即在4±1℃保存，等待进一步加工。无瑕疵的胡萝卜室温回火12小时，洗净，去皮，切成5毫米厚的片。样品在加工前被分成350克鲜重的批次(约70片胡萝卜片)。根据之前的研究，将一批样品(BL)在90°C的水中焯水2分钟，将残留过氧化物酶(POD)活性降低到10%以下。对照(碳纳米管)批在室温下浸入水中2分钟。处理后，立即使用冰浴冷却样品，在棉布上放置2分钟以去除多余的表面水分，重新称重，并进行干燥测试。

3.2“智能柜式干燥机”设置

在干燥试验中使用的补充图1所示的原型智能柜式干燥机装置包括:(i)由Innotech(德国)开发的原型温控柜式干燥机，其干燥室为91L，干燥盘尺寸为45x45厘米;(ii)温度和相对湿度监测和控制系统(MCS)(型号:DICON touch, JUMO，德国);(iii)数字天平(型号:HT1500, NHU，德国)，放置在测试期间使用的干燥盘底部，通过RS232电缆引脚连接到外部个人计算机;(iv)安装在干燥室顶部黑盒子中的计算机视觉(CV)系统。

具体来说，CV系统由(i) CMOS相机组成，配备C1/1.2 " -8 mm-F/2.4光学镜头;(ii)由四个4200k发光二极管条或led组成的照明光源;(iii)直流24v电源控制器。摄像机被安装在一个与外界光线隔绝的黑盒子里，并放置在干燥室的顶部。在黑箱底部和干燥室顶部沿产品90°角度布置4条LED灯条，以提高视场方向光线的强度和均匀性，提高摄像机的响应。

3.3干燥过程及实时数据采集

在初步试验的基础上，在35℃、35%rh、3ms-1气流条件下进行热风干燥实验。每个干燥试验约350g胡萝卜片，干燥36h，每个处理重复4次。干燥结束后按AOAC 934.06官方方法对样品进行脱机水分含量分析。使用选定的PAT工具监测胡萝卜干燥的工艺流程示意图如图1所示。

图1. 嵌入在线PAT工具的智能干燥机原型示意图-用于基于QbD的胡萝卜片干燥实时监控的称重传感器和数码相机

3.4数据处理和特征提取

干燥过程中干基水分含量(MCdb)的变化是通过结合在线采集的数据来计算的。对于获得的内联图像，它们被用于特征提取(即样本随时间变化的颜色和尺寸信息)。在特征提取之前，对相机进行(i)校准，以消除图像上的镜头畸变;(ii)轮廓，以纠正因相机传感器造成的色彩失真;(iii)对图像进行平场校正，消除光照不均匀造成的阴影畸变;(iv)进行分割，将每个样本的真实图像(即前景)与其背景(即非样本数据)分离出来(图2)。

图2.从原始图像(sRGB)到最终校正和分割图像的图像校正和分割的顺序步骤。

3.5基于计算机视觉的湿度预测模型

计算了每种处理(即CNT和BL)的水分比(MR)预测模型，评估了两种不同的数学方法(表1):(i)时间相关模型，即使用MR变化作为干燥时间(t)函数的薄层模型;(ii)收缩相关模型，即使用MR变化作为面积收缩(as)函数的线性和分段线性模型。

表1.胡萝卜片干燥的时间依赖模型和时间无关模型

模型的拟合优度通过均方根误差(RMSE)、平均绝对误差(MAE)、系统误差(BIAS)、减少卡方(红色)来评估。χ2)，校正后的决定系数(adj-R·R)。

3.6数据处理和统计分析

采用单因素方差分析(ANOVA)评价和比较处理因子(CNT和BL)对各模型参数和性能指标的主要影响，并从性能方面确定最佳模型。采用Tukey’s两两比较方法，计算适当相互作用水平的诚实显著差异(HSD) (P≤0.05)。使用R软件v3.6.9，结合“dplyr”、“segment”和“agricolae”R包编写数据处理、断点识别、线性分割模型开发、建模和方差分析脚本。

PART-04

结果与讨论

4.1在线质量参数

1）水分含量和干燥速率

图3a显示了对照(CNT)和焯水(BL)胡萝卜片的水分含量(干基，MCdb)随实验干燥时间的变化，这是由直线重量变化决定的。在图3b中，由于初始预热期和随之而来的产品表面温度升高，在干燥的第一个小时内，CNT和BL的平均干燥速率如预期的那样迅速上升至1.35和1.39每克干物质每小时。处理11 h后，干燥速率急剧下降，只有一个下降速率期，并在24 h后达到平稳期，MCdb趋向于MCe。

2）收缩

图3c显示了胡萝卜片相对面积收缩率(AS)随干燥时间的总体趋势，碳纳米管和BL样品之间存在显著差异。在含水量非常低的情况下，由于组织的材料状态和机械特性的持续变化，收缩的线性可能会被破坏。特别是，材料状态从橡胶态到玻璃态的转变被证明导致相对刚性结构的形成，这被证明限制了收缩的速度和程度。

3）表面颜色变化

比色参数(CIELab)作为干燥食品的重要视觉方面，对购买决策有重要影响，在干燥过程中通过CV系统进行监测。如预期的那样，样品在CIELab坐标(L*，亮度;一个*,发红;b*，黄度)沿干燥时间变化，分别用图4a和4b中的亮度(L*)和色相角(h)表示。一般来说，植物基质的这些颜色变化可归因于广泛研究的干燥和预处理(焯水)对物质状态和性质的多方面影响，如水活度和相变、细胞收缩和/或破坏、酶和/或非酶反应以及色素降解和/或浓度。

图3.在线质量参数

4.2基于计算机视觉的湿度预测模型

在测试的非线性薄层模型中，图4a表示碳纳米管样品的单个副本的对数模型，从视觉上显示了精确的拟合，这在BL样品中也是如此(图未显示)。利用线性分割模型预测的MR进一步在图4d的干燥速率曲线中进行可视化投影。这种可视化技术经过了测试，因为它可以用于开发用户界面，从而允许在统一查询范围内对实时数据进行多个投影，从而允许操作员进行最佳监控和决策流程。

图4.a)使用对数模型的MR预测的复制;b)线性分段模型MR vs AS的模型拟合;c)线性分割模型MR预测;d)基于线性分段模型预测的干燥速率与MR的函数关系曲线。

对于模型行为，可以用表2和表3所示的回归参数来进一步描述。如上所述，由于碳纳米管和BL样本的模型常数(k, a, c, m和q)等模型参数差异显著，因此碳纳米管和BL样本使用了单独的回归方程。

表2.拟合时间相关模型的模型参数和方差分析

表3.拟合的时间无关模型的模型参数和方差分析

最后，对所提出的性能指标进行评估，可以强调的是，线性分割模型显示了最佳的性能指标，可以作为最佳性能薄层模型的基准，即用于水分预测的对数模型。

5.结论

计算机视觉(CV)系统和称重传感器成功地实现了胡萝卜片在对流干燥过程中的在线监测。此外，对依赖于收缩的模型进行了评估，以确定包括空间数据的最佳模型，用于预测具有前瞻性风险评估范围的工艺流程。该研究为基于QbD策略的实用化实时监控仪器奠定了基础。然而，目前正在进行进一步的研究，通过使用基于人工智能的算法(如神经网络)以及多个产品-过程空间来集成SMCS、预测模型和过程自动化，以实时监测和预测产品变化和过程流，这超出了本研究的范围。

本研究的主要发现可概括如下:

(i) CV系统成功地跟踪了胡萝卜片在干燥过程中的收缩和颜色变化，而不考虑预处理;

(ii)考虑收缩线性度沿干燥期的偏差，采用断点(BP)的线性分割模型可以有效地预测干燥过程中的水分演变;

(iii)具有基于收缩的建模和主动质量策略的CV系统对于能够实时监控更好的过程和产品控制的“智能干燥机”来说是一种合适和可行的方法。