用于控制食品质量的方法和装置以及包括该装置的用于处理食品的系统与流程

食品,饮料机械,设备的制造及其制品加工制作,储藏技术1.本发明涉及一种用于控制(任何种类的)食品质量的方法和装置，以及包括该装置的用于处理食品的系统。背景技术：2.在相关部门，尤其强烈地感觉到以下需要：服务食品的用户需要能够自动检查食品质量，以便控制产品质量，确保可重复性，并提高用户自己和/或其最终客户的产品质量标准。3.尤其是在食物行业中，强烈感觉到对质量的可重复的测量的需要，该可重复测量能够对相同的产品给出相同的结果。4.其目的是为用户和/或最终客户提供质量越来越好，并且在食物安全方面安全可控的产品。技术实现要素：5.因此，本发明的目的是通过提供一种用于控制食品质量的装置和包含该装置的用于处理食品的系统来满足上述需求。6.本发明的另一目的是提供一种用于控制食品质量的方法。附图说明7.参考上述目的，本公开的技术特征被清楚地描述于下面的权利要求中，并且其优点从下面的详细描述中显而易见，参考附图，附图解说了优选的、非限制性的示例实施例，并且其中：[0008]-图1示出了根据本发明的质量控制装置的示意图；[0009]-图2示意性地解说了合并图1的质量控制装置的食品处理系统；[0010]-图3示出了可被应用图1的质量控制装置的机器；[0011]-图4示出了可被应用图1的质量控制装置的机器；具体实施方式[0012]根据本发明，定义了一种用于控制食品质量的装置3，包括质量控制模块14，该装置配备有：[0013]-至少一个感知设备s，该感知设备s适于检测与食品p的特性有关的至少一个参数；[0014]-连接到感知设备s的处理和控制单元11，用于接收关于食品特性的检测值。[0015]根据一方面，处理和控制单元11被配置为导出与食品p有关且基于由感知设备s检测到的值的质量指示(以定性或定量形式)。[0016]表达“质量指示”被用于指与食品质量有关的任何信息片，指关于质量(以评估形式表示)和数量(源自感知设备s检测到的参数)两者的信息片。[0017]根据另一方面，质量控制模块14包括连接到处理和控制单元11的通信模块12，并被配置为传送与导出的质量指示有关的信息。[0018]根据一方面，处理和控制单元11包括人工智能算法，该人工智能算法被配置为基于感知设备s检测到的值来导出食品p的质量指示。[0019]表达“人工智能”被用于指任何计算机算法，它被配置为基于提供给它的一组实验数据来修改其(计算机)操作配置。[0020]通过非穷举示例，该算法可能是神经网络。[0021]更一般地说，人工智能算法可能是强人工智能算法，或弱人工智能算法。[0022]根据另一方面，感知设备s包括以下一个或多个元件：用于检测食品重量的重量传感器7；用于检测食品温度的温度传感器8。[0023]根据又一方面，感知设备s包括至少一个重量传感器7。[0024]根据又一方面，感知设备s包括温度传感器8(优选热扫描仪)。[0025]根据又一方面，感知设备s包括湿度计，其适于测量空气的湿度。[0026]根据又一方面，感知设备s包括一个或多个生物传感器15，其适于测量食品p的化学成分。[0027]根据另一方面，装置3包括评估食品p的表面状态的色度计。[0028]根据又一方面，感知设备s包括视频采集系统5，其被配置为捕捉食品的至少一个图像。[0029]根据这方面，处理和控制单元11被配置为基于捕捉的至少一个图像来识别食品的类型。[0030]根据另一方面，处理和控制单元11被配置为评估食品p的形状和/或颜色和/或表面方面(优选基于所捕捉的图像)。[0031]应该注意的是，处理和控制单元11被配置为优选地将由一个或多个传感器检测到的参数的值与存储的参数值进行比较(并且，如果装置3可以与两个或更多个产品一起工作，并且被配置为识别产品，优选地与识别类型相关)。[0032]根据又一方面,，人工智能算法是机器学习算法，并且处理和控制单元11被配置为执行自学习过程，其中感知设备s已经检测到与食品p有关的至少一个参数(例如，物理化学和/或感官特性，诸如颜色、形状、温度、相对湿度、阻抗、超限等)的每个食物产品p与用户和/或评估系统通过接口输入的质量参数值(例如，与其可接受性或不可接受性相关)相关联。[0033]由用户和/或由评估系统通过形成装置3的一部分的用户接口(或自动地)输入的质量参数值传送给处理和控制单元11。[0034]实际上，操作员使用装置3的用户接口为每个食品p分配质量参数值。[0035]人工智能算法是机器学习算法，并且使用与食品p的特性相关的参数的检测值相关联的质量参数值来适应其模型(即，根据学习过程修改其配置)。[0036]简言之，在该学习过程中，食品的样品被呈现给感知设备s，该感知设备s测量与食品p的特性相关的至少一个参数，并且每个样品与质量参数值(与其质量和/或其可接受性或不可接受性相关)相关联。[0037]根据又一方面，人工智能算法是机器学习算法，并且包括神经网络。[0038]根据又一方面，装置1包括反馈设备4，该反馈设备4具有用户接口6，该用户接口6被配置为允许向处理和控制单元11发送与食品p相关联的质量评估相关的参数值。[0039]就所有意图和目的而言，与食品p相关联的质量评估相关的参数值是来自操作者和/或最终客户的反馈。[0040]根据这一方面，处理和控制单元11可包括一种算法，该算法被配置为使用数据挖掘技术从质量评估参数值中提取行为模式。[0041]反馈设备4优选为个人数字助理、移动电话、平板电脑或pc，并由消费者用于输入对所消费的食品p的评估。[0042]根据本发明还定义了一种用于制造食品的生产系统1，并且其包括：[0043]-适于对食品进行热处理的机器10，配备有对食品进行操作的至少一个致动器(104、116)和控制至少一个致动器(104、116)的控制单元106；[0044]-如上所述的控制装置3。[0045]所描述的系统1可连接到可追溯性系统，该系统为提高最终产品质量保证，允许跟踪原材料和处理装备/机械。[0046]每种原材料和装备件的感兴趣的特性值都被精确检测——特别是通过感知设备——以便能够开始处理。[0047]应该注意的是，装置的处理和控制单元11连接到机器10的控制单元106，以基于食品的导出质量指示向其发送控制和调整信号s1，并且机器10的控制单元106被配置为基于该控制和调整信号s1来调整至少一个致动器(104,116)。这样，在控制装置3和机器10之间建立反馈回路，以基于控制装置3执行的检查的结果来适配处理参数。[0048]根据另一方面，装置3的处理和控制单元11被配置为基于与质量评估相关的导出参数来发送控制和调整信号s1。[0049]下面特别参考图3描述机器10。[0050]机器10可以是用于制造或处理食品的任何机器。[0051]然而，在下文中，为了简单易懂且不失一般性，将特别参考图3，将机器10描述为设计成处理液体或半液体产品(热)的机器——例如，适合执行热处理，诸如巴氏杀菌，或用于制备冰淇淋产品。图3中解说的用于处理液体或半液体食品的机器10最好是用于制造冰淇淋行业产品的机器，面包店和糖果店等(通过非限制性示例：冰淇淋、软冰淇淋、格兰尼它冰糕、冰糕、奶昔、酸奶、冷冻甜点、冷冻奶油等)，因此可以包括用于制作冰淇淋(软冰淇淋或手工冰淇淋)的机器，该机器配备有用于热处理(巴氏杀菌)的容器。[0052]用于处理食品(诸如举例而言，液体或半液体产品)的机器10包括处理室100，其配置为接收食品。[0053]如图3中所解说的，机器10可优选地包括容器102，用于处理液体或半液体基产品，并限定处理室100。[0054]机器10还包括至少一个致动器104，其被配置为对处理室100内的食品应用处理过程。[0055]如图3中所解说的，致动器104可优选包括搅拌器(优选安装在容器102内)，以在处理室100内混合产品。[0056]图3的机器10还包括处理和控制单元106和数据交换模块108。[0057]如在本公开中使用的“致动器”指的是对食品操作以执行对其的处理(例如，任何种类：机械、热或化学)的任何机械、电气、电子或其他元件。[0058]根据一方面，致动器104可由一个或多个加热和/或冷却元件限定。[0059]如图3所解说的，用于处理食品的机器10还可以包括热处理系统110，其包括与处理容器102相关联的热交换器112。[0060]如图3的非限制性示例中所解说的，机器1可包括连接至搅拌器104以驱动搅拌器旋转的电机。优选地，电机连接到处理和控制单元106。[0061]根据另一方面，热系统110包括与处理容器102相关联的热交换器112、另一热交换器114、压缩机116和减压元件118。应该注意到，热交换器112、另一热交换器114、压缩机116和减压元件118定义包含热交换流体的电路。[0062]换言之，热系统110是热力学系统(被配置为根据使用热交换器流体的热力学循环工作)。[0063]根据另一方面，机器10包括用户接口120，其包括至少一个用户可操作控件(优选地多个控件)并连接到处理和控制单元106。[0064]优选地，接口120包括用户可操作激活和选择控件和/或按钮。[0065]根据又一方面，机器10包括分配器122，该分配器122被连接到用于处理液体或半液体基产品的处理容器100，并且该分配器122允许产品被从容器100中提取出。分配器122优选地包括用户可操作杆，以允许分配处理过的产品。[0066]更一般地说，机器10可以是用于处理任何种类食品的机器：例如，它可以是烤箱、冰箱、捏合机、用于冰淇淋/烘焙和糖果行业的机器或其他机器。[0067]如果用于处理食品的机器10是烤箱，则机器10可包括以下一个或多个元件：[0068]-一个或多个加热元件，配置为对食品进行热处理(并且在本公开中，也称为对食品操作的“致动器”)，[0069]-用于调整产品处理温度的一个或多个元件，[0070]-一个或多个元件，用于调整产品上的一个或多个热循环，[0071]-用于调整风扇的速度和开/关时间周期的一个或多个元件，[0072]-用于控制和调整烤箱内部的湿度的一个或多个元件。[0073]根据本发明的一方面，处理和控制单元106被配置为，例如通过将其打开和关闭和/或通过修改其操作状态，来驱动致动器(或者，如果机器10包括多个致动器，则驱动诸致动器)。[0074]根据另一方面，装置3包括数据库13，其连接到处理和控制单元11，并且被配置为至少存储导出质量指示和/或与由感知设备s检测到的食品p的特性有关的至少一个参数的检测值。[0075]应当注意，数据库3可以是集中式或分布式(云)数据库。[0076]有利地，数据库3可被用于存储关于食品p的生产过程的可追溯性的信息：实际上，它可包含由控制装置3检测到的或从中导出的所有信息，和/或用户通过各自的接口输入的信息。[0077]根据本发明定义的(用于控制食品质量或处理食品)方法包括以下步骤：[0078]-用感知设备s检测与食品p的特性有关的至少一个参数；[0079]-基于由感知设备检测到的值来导出食品p的质量指示；[0080]-通过数据通信网络传送质量指示。[0081]根据一方面，导出由人工智能算法执行。[0082]如本公开中使用的，“处理食品”是指出于处理目的对食品进行的任何操作，例如，热、机械、化学、清洁或任何其他类型的操作。[0083]例如，该处理可包括烹调食品的动作。例如，处理可包括批量冷冻食品(同时搅拌和冷却)的行为。[0084]根据本发明还定义了一种方法，其中使用感知设备s检测与食品p的特性有关的至少一个参数的步骤包括借助于视频捕捉系统5捕捉食品p的至少一个图像的步骤，并且其中该方法还包括以下步骤：-处理由视频捕捉系统5捕捉的图像(优选但不一定借助于人工智能算法)，并基于该图像来确定食品p的类型。根据另一方面，使用感知设备s检测关于食品p的特性的至少一个参数的步骤包括检测食品p的温度的步骤。[0085]根据又一方面，使用感知设备s检测关于食品p的特性的至少一个参数的步骤包括检测食品p的重量的步骤。[0086]根据另一方面，使用感知设备s检测关于食品p的特性的至少一个参数的步骤包括检测食品p的形式和/或形状和/或颜色的步骤。[0087]根据另一方面，使用感知设备s检测关于食品p的特性的至少一个参数的步骤包括检测空气的湿度和/或温度的步骤。[0088]根据另一方面，使用感知设备s检测关于食品p的特性的至少一个参数的步骤包括检测食品p的化学成分的步骤。[0089]根据又一方面，该方法包括以下步骤：[0090]-准备适于热处理食品p的机器10，该机器配备有对食品操作的至少一个致动器(104，116)和控制至少一个致动器(104，116)的控制单元106；[0091]-向控制单元106发送控制信号s1，该控制单元106控制至少一个致动器(104，116)，并根据导出的质量指示调整至少一个致动器(104，116)。[0092]根据另一方面，该致动器是加热和/或冷却元件，并且其中根据导出的质量指示调整所述至少一个致动器(104，116)的步骤包括调整加热和/或冷却元件的热功率的步骤。[0093]根据又一方面，根据导出的质量指示调整至少一个致动器(104，116)的步骤包括调整机器10中食品的处理时间的步骤。[0094]根据又一方面，该方法包括测量关于食品的基本成分的至少一个参数的步骤。[0095]优选地，关于食品的基本成分的参数包括以下一个或多个值：重量、颜色、形式、稠度、粘度、透明度、体积、化学成分、空气湿度、空气温度。[0096]根据一方面，关于食品的基本成分的参数和用感知设备s检测到的参数与相同的物理量有关(即，它们都是相同物理量的测量，例如重量、温度等)，并且该方法包括将关于食品的基本成分的参数的测得值与用感知设备s检测到的参数进行比较的步骤。[0097]根据又一方面，测量关于食品的基本成分的至少一个参数的步骤包括测量基本成分的重量的步骤，并且检测关于食品p的特性的至少一个参数的步骤包括测量食品p的重量的步骤，该方法还包括将基本成分的测得重量与食品p的测得重量进行比较的步骤。[0098]根据又一方面，基于由感知设备检测到的值导出食品p的质量指示的步骤包括以自学习模式运行算法(优选机器学习算法)的步骤，其中，自学习模式中的算法输入是表示与食品相关联、并且由用户(客户或操作者)通过反馈设备4输入的质量评估的参数值。更一般地说，对于每个单一食品p，可以将感知设备s获得的质量指示与用户通过反馈设备4的接口输入的质量评估相结合，并将其与之前食品p的平均值进行比较，以获得最终质量指示。[0099]根据这一方面，第n种食品的最终质量指标(ifin)计算如下：[0100]ifin＝(gop+in)/imedn-1[0101]其中：[0102]imedn-1是前一食品p的平均最终质量指示；[0103]gop是终端操作者(客户和/或用户)的质量评估；[0104]in是感知设备s获得的质量指示。[0105]如果方法中未使用终端操作者(客户和/或用户)的质量评估，则gop＝0。[0106]根据一方面，最终质量指示ifin将优选地与预定阈值(例如，《1不可接受，》1可接受)进行比较。[0107]根据该方面，处理和控制单元11被配置为将由感知设备s获得的质量指示与用户通过反馈设备4的接口输入的质量评估相结合，以计算最终质量指示。[0108]此外，处理和控制单元11被配置为对于给定的食品p，还基于先前控制的食品p的平均最终质量指示来计算最终质量指示。[0109]根据另一方面，该方法包括将由感知设备s获得的质量指示与用户通过反馈设备4的接口输入的质量评估相结合，以计算最终质量指示。[0110]该方法还包括基于先前控制的食品p的平均最终质量指示，来计算给定食品p的最终质量指示。[0111]有利地，如本文所公开的，提供了一种装置和方法，以允许以极其简单和自动化的方式控制食品的质量。[0112]此外，如本文所公开的，还可以调整影响由该装置测量或根据该方法检测的(一个或多个)特性的机器参数，以便通过反馈过程提高食品p的质量。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!