Determination of the efficiency of the process of separating sunflower seeds in a stream using computer vision
https://doi.org/10.36107/hfb.2020.i3.s70
Abstract
The presented work considers the solution of the problem of controlling the content of sunflower seed husk in the stream after separation, using a computer vision system. This problem is caused by the instability of the properties of the raw materials received for processing. Since the preparation of sunflower seeds for the production of confectionery products uses seeds of different varieties from different regions of Russia, each batch of seeds will be of different sizes, with different properties and with different degrees of husk content. All this leads to instability of the confectionery production process and affects the quality of the finished product, since for each batch of raw materials it is necessary to select their optimal operating modes of the equipment. One of the main indicators of the quality of the separation process is the impurity content coefficient in the raw material under study, which must be determined in the flow. The article presents a method for determining the content of husk in the flow.
About the Authors
Vladislav G. BlagoveshchenskiyRussian Federation
Alexander N. Petryakov
Russian Federation
Vyacheslav A. Sumerin
Russian Federation
References
1. Балыхин М. Г., Борзов А. Б., Благовещенский И. Г. Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий: Монография. М.: Изд-во Франтера, 2017. 395 с.
2. Благовещенский И.Г. Использование системы компьютерного зрения для контроля в режиме онлайн качества сырья и готовой продукции пищевой промышленности // «Пищевая промышленность», №6 , 2015, с. 18 – 20.
3. Крылова Л.А., Благовещенский В.Г., Татаринов А.В. Разработка интеллектуальных аппаратно- программных комплексов мониторинга процессов сепарирования дисперсных пищевых масс на основе интеллектуальных технологий. В книге: Развитие пищевой и перерабатывающей промышленности России: кадры и наука. 2017. с. 199-201.
4. Гончаров К.А., Благовещенский И.Г., Назойкин Е.А., Благовещенский В.Г., Макаровская З.В. Использование библиотеки OPENCV для работы с техническим зрением. В сборнике: Интеллектуальные системы и технологии в отраслях пищевой промышленности Сборник материалов конференции. 2019. С. 53-60.
5. Петряков А.Н., Благовещенская М.М., Благовещенский В.Г., Митин В.В., Благовещенский И.Г. Повышение качества идентификации и позиционирования объекта на цифровых стерео изображениях при помощи алгоритмов построения карты глубины. В сборнике: Интеллектуальные системы и технологии в отраслях пищевой промышленности Сборник материалов конференции. 2019. С. 133-138.
6. Балыхин М.Г., Борзов А.Б., Благовещенский И.Г. Архитектура и основная концепция создания интеллектуальной экспертной системы контроля качества пищевой продукции. Пищевая промышленность. 2017. - №11. – С.60 - 63.
7. Благовещенская М.М., Костин А.М., Благовещенский И.Г., Татаринов А.В. Распределенные автоматизированные системы интеллектуального мониторинга оборудования зерноперерабатывающих предприятий. В книге: Развитие пищевой и перерабатывающей промышленности России: кадры и наука, ИК МГУПП, 2017, с. 171-175.
8. Благовещенская М.М., Благовещенский И.Г., Назойкин Е.А., Бабин Ю.В. Адаптивный подход к идентификации нестационарных технологических процессов в отраслях пищевой промышленности. В сборнике: Передовые пищевые технологии: состояние, тренды, точки роста Сборник научных трудов I научно-практической конференции с международным участием. 2018. С. 651-654.
9. Донник И.М., Балыхин М.Г., Благовещенский И.Г., Благовещенская М.М. Разработка баз данных интеллектуальных экспертных систем автоматического контроля показателей качества пищевой продукции. Хранение и переработка сельхозсырья. 2018. № 4. С. 126-138.
10. Благовещенский И.Г., Карелина Е.Б., Петряков А.Н., Фомушкин В.И., Благовещенский В.Г. Обзор используемых на пищевых предприятиях в АСУТП рабочих станций, операторских пультов и перспективы их применения. В сборнике: Автоматизация и управление технологическими и бизнес- процессами в пищевой промышленности. Сборник научных докладов П международной научно- практической конференции. 2016, с 16 – 20.
11. Miranda, J., Ponce, P., Molina, A., & Wright, P. (2019). Sensing, smart and sustainable technologies for Agri-Food 4.0. Computers in Industry, 108, 21–36. https://doi.org/10.1016/j.compind.2019.02.002
12. Yu, B., Zhan, P., Lei, M., Zhou, F., & Wang, P. (2020). Food Quality Monitoring System Based on Smart Contracts and Evaluation Models. IEEE Access, 8, art. no. 8957120, 12479-12490. https://doi.org/10.1109/access.2020.2966020
13. Singh, G., Singh, P.J., Tyagi, V.V., & Pandey, A.K. (2019). Thermal and exergoeconomic analysis of a dairy food processing plant. Journal of Thermal Analysis and Calorimetry, 136(3), 1365–1382. https://doi.org/10.1007/s10973-018-7781-y
14. Bader, F., & Rahimifard, S. (2020). A methodology for the selection of industrial robots in food handling. Innovative Food Science and Emerging Technologies, 64, art. no. 102379. https://doi.org/10.1016/j.ifset.2020.102379
Review
For citations:
Blagoveshchenskiy V.G., Petryakov A.N., Sumerin V.A. Determination of the efficiency of the process of separating sunflower seeds in a stream using computer vision. Health, Food & Biotechnology. 2020;2(3):40-47. (In Russ.) https://doi.org/10.36107/hfb.2020.i3.s70