ΟΠΤΙΚΗ ΑΝΑΓΝΩΡΙΣΗ ΓΙΑ ΤΟΝ ΑΥΤΟΜΑΤΟ ΕΛΕΓΧΟ ΠΟΙΟΤΗΤΑΣ ΣΤΗ ΒΙΟΜΗΧΑΝΙΑ ΤΡΟΦΙΜΩΝ ΕΦΑΡΜΟΓΗ ΧΑΜΗΛΟΥ ΚΟΣΤΟΥΣ ΣΤΗ ΧΡΩΜΑΤΟΔΙΑΛΟΓΗ ΤΗΣ ΕΛΙΑΣ

Transcript

1 ΟΠΤΙΚΗ ΑΝΑΓΝΩΡΙΣΗ ΓΙΑ ΤΟΝ ΑΥΤΟΜΑΤΟ ΕΛΕΓΧΟ ΠΟΙΟΤΗΤΑΣ ΣΤΗ ΒΙΟΜΗΧΑΝΙΑ ΤΡΟΦΙΜΩΝ ΕΦΑΡΜΟΓΗ ΧΑΜΗΛΟΥ ΚΟΣΤΟΥΣ ΣΤΗ ΧΡΩΜΑΤΟΔΙΑΛΟΓΗ ΤΗΣ ΕΛΙΑΣ Γ.K. Κυτούγια, Σ.Γ. Μουρούτσος Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Δημοκρίτειο Πανεπιστήμιο Θράκης 1 Περίληψη Η αγροτική μηχανική είναι ένας ιδιαίτερος τομέας της επιστήμης που έχει επιφέρει σημαντικές αλλαγές στη γεωργία. Τις τελευταίες δεκαετίες προκειμένου να επιτευχθεί μια οικολογικά υγιής και οικονομικά βιώσιμη γεωργία έγινε εισαγωγή των ρομπότ στην αγροτική παραγωγή. Ένα παράδειγμα χρήσης τέτοιων ρομπότ είναι και οι χρωματοδιαλογείς. Στην εργασία αυτή μελετώνται συστήματα χρωματοδιαλογής που χρησιμοποιούνται για το χρωματικό διαχωρισμό της ελιάς, παρουσιάζεται ένα εργαστηριακό μηχανοτρονικό σύστημα για το χρωματικό διαχωρισμό των καρπών, καθώς και κάποιες ιδέες για μελλοντική εξέλιξη των ήδη υπαρχόντων συστημάτων. Λέξεις κλειδιά: αγροτική μηχανική, χρωματοδιαλογή, οπτική αναγνώριση, ψηφιακή επεξεργασία εικόνας, έλεγχος ποιότητας, μηχανοτρονική 1. ΕΙΣΑΓΩΓΗ Η αγροτική μηχανική είναι ένας πολύ ιδιαίτερος τομέας της επιστήμης, η οποία επηρέασε και έδωσε κίνητρο για σημαντικές αλλαγές στη γεωργία. Τις τελευταίες δεκαετίες ειδικότερα η αγροτική μηχανική εστιάζει στους περιβαλλοντικούς παράγοντες. Προκειμένου λοιπόν να διατηρηθεί ισορροπία μεταξύ της αγροτικής ανάπτυξης και της οικολογίας, επήλθε αυτοματοποίηση της καλλιέργειας. Αυτό είχε ως αποτέλεσμα την αύξηση της παραγωγικότητας αλλά και τη σταδιακή υιοθέτηση συστήματος στην καλλιέργεια, με στόχο να διευκολυνθεί η περαιτέρω μηχανοποίησή της. Παγκοσμίως υπάρχει μια συνεχώς αυξανόμενη ανάγκη για ανάπτυξη καινοτόμων τεχνολογιών εφαρμόσιμων για βιολογικά συστήματα σύμφωνα με τη ζήτηση για τρόφιμα, την ποιότητα τροφίμων και την πληροφόρηση για την επίδραση της γεωργίας στο περιβάλλον. Ιδίως για την Ευρωπαϊκή Ένωση όπου εφαρμόζονται συνεχώς νέες στρατηγικές για ιχνηλασιμότητα, ασφάλεια τροφίμων και αγροπεριβαλλοντική ανάπτυξη, η στροφή προς την έρευνα για την ανάπτυξη και εφαρμογή της ρομποτικής τεχνολογίας στη γεωργία είναι απαραίτητη. Μέσω της έρευνας στον τομέα αυτό αναμένεται να βρεθούν λύσεις που μπορούν να παρέχουν ανταγωνιστικά πλεονεκτήματα σε μια αγορά όπου οι αυξημένες απαιτήσεις των καταναλωτών και η εστίαση στο περιβάλλον, βρίσκονται στο επίκεντρο (Brosnan & Sun, 2002). Κλειδί σε αυτή την προσπάθεια είναι το πλήθος και η κατάρτιση των εργαζομένων που απασχολούνται στον τομέα των τροφίμων. Η ελάττωση της εξάρτησης του παραγόμενου προϊόντος από τον ανθρώπινο παράγοντα είναι το σημαντικότερο αποτέλεσμα που μπορεί να έχει αυτή η προσπάθεια εκσυγχρονισμού και αύξησης της ανταγωνιστικότητας στις βιομηχανίες τροφίμων. Η χρήση της ρομποτικής και γενικά των αυτοματισμών στη γεωργία αναμένεται να έχει σημαντικά αποτελέσματα σε πολλούς τομείς όπως στη χρησιμοποίηση ανανεώσιμων ακατέργαστων υλικών για τη βιομηχανία, στην αγροτική και αειφόρο ανάπτυξη, στην οικολογία για τα οικοσυστήματα και τις φυσικές πηγές, στην ανάπτυξη υψηλής τεχνολογίας για κλιματικό έλεγχο και την ανθρώπινη διατροφή (Christensen, 2007). Παραδείγματα χρήσης της ρομποτικής στη γεωργία είναι οι σκαπτικές μηχανές καθοδηγούμενες από οπτικό σύστημα που χρησιμοποιούνται για καλλιέργεια σε σειρές, οι συσκευές συγκομιδής καρπών, οι οποίες με τη χρήση ψηφιακής επεξεργασίας σήματος για την εύρεση των σειρών, διακρίνουν τους καρπούς από το φύλλωμα αλλά και τους ώριμους καρπούς από τους άγουρους και οι χρωματοδιαλογείς ή

2 συσκευές αυτοματοποιημένης οπτικής αναγνώρισης που χρησιμοποιούνται για τη διαλογή των προϊόντων σύμφωνα με το χρώμα τους. Στις επόμενες παραγράφους θα αναλυθούν τα βασικά μέρη από τα οποία αποτελείται ένας χρωματοδιαλογέας και θα περιγραφεί η εργαστηριακή διάταξη που υλοποιήθηκε για την επίτευξη της λειτουργικότητας ενός χρωματοδιαλογέα για την ελιά με χαμηλό κόστος. 2. ΧΡΩΜΑΤΟΔΙΑΛΟΓΕΙΣ Χρωματοδιαλογή είναι η διαλογή προϊόντων με βάση το χρώμα τους. Παραδοσιακά, η διαλογή αποτελεί χειροκίνητη διαδικασία. Η ανάγκη όμως για τη βελτίωση της παραγωγικότητας και την αυτοματοποίηση της διαδικασίας οδήγησε στην εμφάνιση διαφόρων συστημάτων αυτόματης οπτικής διαλογής, ιδιαίτερα όπου το χρώμα αποτελεί σημαντικό παράγοντα για την ποιότητα του προϊόντος (Εικόνα 1). Εικόνα 1. Χρωματοδιαλογέας καρπών και ενδεικτικά Παρά όμως την τεχνολογική εξέλιξη αποτελέσματα διαλογής υπάρχουν ακόμη βιομηχανίες που χρησιμοποιούν τη χειροκίνητη διαλογή λόγω του υψηλού κόστους λειτουργίας και συντήρησης που χρειάζεται ο αυτόματος οπτικός έλεγχος. Εικόνα 2. Σχηματικό διάγραμμα χρωματοδιαλογής δύο φάσεων (τσάι) Στην παγκόσμια αγορά και ιδιαίτερα σε χώρες όπως η Ιταλία, η Ισπανία και η Κίνα πραγματοποιούνται συνεχώς μελέτες για τη βελτίωση των ήδη υπαρχόντων συστημάτων αλλά και τη δημιουργία νέων. Ωστόσο λίγα από τα συστήματα αυτά έχουν κατασκευαστεί με γνώμονα τα ιδιαίτερα χαρακτηριστικά της ελιάς, για την επιτυχή χρωματοδιαλογή των ελαιοκαρπών. Στην Κίνα έχουν κατασκευαστεί ηλεκτρονικοί χρωματοδιαλογείς σιτηρών, καφέ και ξηρών καρπών που ελέγχονται μέσω κεντρικού υπολογιστή και έχουν απόδοση Kg/h 1. Στην Ινδία χρησιμοποιούνται χρωματοδιαλογείς για ρύζι, δημητριακά, καφέ και φαρμακευτικά προϊόντα, οι οποίοι λειτουργούν με μονοχρωματικές κάμερες. Χρησιμοποιούν ως σύστημα απόρριψης πνευματικά συστήματα εκτίναξης σε πίεση 7 bar και πραγματοποιούν περίπου 3000 σαρώσεις καρπών το δευτερόλεπτο 2. Στην Αμερική (Καλιφόρνια) δημιουργήθηκε μοντέλο (ευρεσιτεχνία) για το διαχωρισμό της ώριμης από την άγουρη ντομάτα (ουσιαστικά της κόκκινης από την πράσινη). Οι ντομάτες κινούνται σε ταινιόδρομο μέσα σε ειδικές εσοχές για να μην αλλοιωθούν και φωτίζονται. Το σύστημα οπτικής αναγνώρισης αποτελείται από ένα διαθλαστικό φακό μέσω του οποίου η εικόνα των καρπών οδηγείται σε δύο ζεύγη φωτοαισθητηρίων, όπου μέσω ειδικών χρωματικών φίλτρων πραγματοποιείται σύγκριση και εξάγεται η απόφαση αποδοχής ή απόρριψης του καρπού. Το σύστημα απόρριψης αποτελείται από έναν εκβολέα που εκτινάσσεται με τη δύναμη της πίεσης ενός πνευματικού κυλίνδρου (Swanson, 1994). Τα βασικά τμήματα ενός συστήματος χρωματοδιαλογής είναι: ο μηχανισμός εισαγωγής πρώτης ύλης, ο ταινιόδρομος μεταφοράς καρπών (feeder), το σύστημα οπτικής αναγνώρισης (scan camera) και το σύστημα απόρριψης (eject valve), όπως φαίνονται σε ένα σύστημα διαλογής για τσάι στην Εικόνα 2. Τα πιο σημαντικά υποσυστήματα είναι αυτά της οπτικής αναγνώρισης και της απόρριψης. Το σύστημα οπτικής αναγνώρισης αποτελείται κυρίως από μια ψηφιακή κάμερα που λαμβάνει βίντεο από τη γραμμή παραγωγής, καθώς και τα συμπληρωματικά συστήματα (εξοπλισμός και/ή λογισμικό) για την ανίχνευση ελαττωματικών προϊόντων καθώς αυτά οδηγούνται από υποσύστημα σε υποσύστημα στη γραμμή παραγωγής. Το σύστημα αυτό πρέπει να είναι σχεδιασμένο κατάλληλα ώστε να παρέχεται πλήρης οπτική κάλυψη του υλικού προς διαλογή. Αδυναμίες των υπαρχόντων χρωματοδιαλογέων σε ότι αφορά την οπτική ανίχνευση σχετίζονται με τη θέση των καρπών σε κάθε ακολουθία βίντεο που λαμβάνεται. Το

3 σύστημα απόρριψης που χρησιμοποιείται στους περισσότερους χρωματοδιαλογείς βασίζονται στην εμφύσηση πεπιεσμένου αέρα στη διεύθυνση του προς απόρριψη υλικού. Έτσι, η διαλογή της πρώτης ύλης γίνεται με τη χρήση συστοιχίας βαλβίδων διαλογής και πεπιεσμένο αέρα. Ένα άλλο σύστημα απόρριψης που χρησιμοποιείται συχνά σε χρωματοδιαλογείς βασίζεται στη χρήση ενός εκβολέα, ο οποίος ενεργοποιείται από ηλεκτρικό σήμα που προέρχεται από το σύστημα οπτικής ανίχνευσης. Όταν ένα «ακατάλληλο» προϊόν ανιχνευθεί τότε παράγεται κατάλληλο ηλεκτρικό σήμα και το σύστημα απόρριψης ενεργοποιείται όταν το «ακατάλληλο» προϊόν βρεθεί σε ευθυγράμμιση με τον εκβολέα. Όπως είναι εμφανές, στον πυρήνα των χρωματοδιαλογέων βρίσκονται συστήματα ψηφιακής επεξεργασίας εικόνας. Η χρήση των συστημάτων αυτών έχει δοκιμαστεί για πολλά χρόνια σε παρόμοιες εφαρμογές και έχει αποδειχθεί ότι προσφέρει μια σειρά από πλεονεκτήματα στη διαλογή γεωργικών προϊόντων, τα οποία συνοψίζονται στα εξής: Παράγονται ακριβή περιγραφικά μεταδεδομένα (Sapirstein, 1995) Είναι γρήγορη και αντικειμενική διαδικασία (Lie et al., 1997) Μειώνει τη συμμετοχή ανθρώπων (Ni et al., 1997) Είναι συνεπής, αποδοτική και οικονομικώς αποδοτική διαδικασία (Lu et al., 2000) Αυτοματοποιεί πολλές χειροκίνητες και εντατικές διαδικασίες (Gunasekarn, 2001) Είναι εύκολη και γρήγορη διαδικασία (Gerrard et al., 1996, Lefebvre et al., 2993) Αποτελεί μη-καταστρεπτική διαδικασία (Tao et al., 1995, Zayas et al., 1996) Είναι εύρωστη και οικονομικά ελκυστική τεχνική (Gunasekaran & Ding, 1993) Δίνει τη δυνατότητα αποθήκευσης δεδομένων για περαιτέρω ανάλυση (Tarbell & Reid, 1991) Στον ειδικό τομέα της χρωματοδιαλογής της ελιάς που ενδιαφέρει άμεσα τους έλληνες παραγωγούς, η ομάδα υλοποίησης της παρούσας εργασίας δεν κατάφερε να εντοπίσει ειδικευμένο σύστημα που να είναι δυνατό να παρέχει ικανοποιητικά αποτελέσματα χωρίς υψηλό κόστος αγοράς και συντήρησης. Σε αυτό το γεγονός βασίζεται η έρευνα και ανάπτυξη που πραγματοποιήθηκε στο πλαίσιο της παρούσας εργασίας, όπως θα περιγραφεί στις παραγράφους που ακολουθούν. 3. ΣΥΣΤΗΜΑ ΧΡΩΜΑΤΟΔΙΑΛΟΓΗΣ ΕΛΙΑΣ Λαμβάνοντας υπόψη το γεγονός ότι στην Ελλάδα η ελιά καλλιεργείται σε πολύ μεγάλο ποσοστό και συνεπώς υπάρχει μεγάλη ανάγκη για επίτευξη υψηλών προδιαγραφών στο προϊόν, προέκυψε και το ενδιαφέρον για την ιδιαίτερη εργαστηριακή εφαρμογή αυτόματης οπτικής διαλογής επιτραπέζιας πράσινης ελιάς με χαμηλό κόστος που παρουσιάζεται στην παρούσα εργασία. Όπως και τα ήδη υπάρχοντα βιομηχανικά συστήματα χρωματοδιαλογής έτσι και η εργαστηριακή διάταξη που υλοποιήθηκε (Εικόνα 3) αποτελείται από πέντε βασικά τμήματα με γνώμονα πάντοτε την επίτευξη ικανοποιητικών αποτελεσμάτων με χαμηλό κόστος κατασκευής. Εικόνα 3. Το εργαστηριακό μηχανοτρονικό σύστημα χρωματοδιαλογής ελιάς Τα πέντε βασικά τμήματα της κατασκευής είναι τα εξής: Σιλό ή χοάνη τροφοδοσίας: Στο σιλό τροφοδοσίας βρίσκονται συγκεντρωμένοι οι καρποί πριν οδηγηθούν στον ταινιόδρομο για να γίνει ο διαχωρισμός τους. Για να διευκολύνεται η ροή των καρπών από το σιλό προς τον ταινιόδρομο πρέπει το υλικό που θα χρησιμοποιηθεί να είναι

4 κωνικής μορφής, προκειμένου οι καρποί να μπορούν να είναι συγκεντρωμένοι σε αυτό αλλά και να μπορούν να εξέρχονται από αυτό μία-μία για να διευκολύνεται η επεξεργασία στο στάδιο της οπτικής ανίχνευσης. Σύστημα μεταφοράς καρπών (ταινιόδρομος): Επιλέχθηκε αρκετά φαρδύς ταινιόδρομος ώστε να μπορεί να γίνει επεξεργασία καρπών διαφόρων μεγεθών χωρίς ο καρπός προεξέχει από τον ταινιόδρομο. Επιπλέον, προκειμένου να μην δημιουργείται δυσκολία στην περιστροφή των ράουλων και κατά συνέπεια στην κίνηση του ταινιόδρομου το υλικό του ταινιόδρομου είναι ελαστικό. Το πλάτος του ταινιόδρομου είναι 6 cm και το συνολικό μήκος του 38 cm, ενώ η διαδρομή που διανύει ο κάθε καρπός από το σημείο τροφοδοσίας είναι 35 cm. Σύστημα μετάδοσης κίνησης: Για μεγαλύτερη διευκόλυνση της διαδικασίας κατασκευής επιλέχθηκε κινητήρας που περιέχει μετασχηματιστή και σύστημα κίνησης και μείωσης στροφών. Ο επιλεγμένος κινητήρας είναι κινητήρας DC ισχύος 15 W. Σύστημα οπτικής αναγνώρισης: Για το σύστημα οπτικής αναγνώρισης της εργαστηριακής διάταξης χρησιμοποιήθηκε web camera. Η κάμερα που επιλέχθηκε διαθέτει 4 λυχνίες (LEDs) προκειμένου να μπορεί να χρησιμοποιηθεί και σε συνθήκες χαμηλού φωτισμού. Η κάμερα έχει τη δυνατότητα σύνδεσης USB και λαμβάνει φωτογραφίες 1.3 MP ή βίντεο μέγιστης ανάλυσης 800x600 pixels (interpolated) με μέγιστο ρυθμό ανανέωσης τα 30 καρέ ανά δευτερόλεπτο (fps). Η κάμερα τοποθετείται περί τα 10 cm πάνω από τον ταινιόδρομο έτσι ώστε ο οπτικός άξονας να είναι κάθετος προς τον ταινιόδρομο. Η κάμερα έχει την επιλογή χειροκίνητης εστίασης που δίνει τη δυνατότητα για καλύτερη εστίαση στη μικρή απόσταση του πειράματος. Το ορατό πεδίο στην κάμερα καλύπτει μια έκταση πάνω στον ταινιόδρομο περί τα 8 x 6 cm, ενώ ένας τυπικός καρπός περί τα 3 x 2 cm. Σύστημα απόρριψης: Στην κατασκευή αυτή δε χρησιμοποιήθηκε κάποιο συγκεκριμένο σύστημα απόρριψης. Η απόρριψη πραγματοποιείται «εικονικά» στο λογισμικό που συνοδεύει την εργαστηριακή διάταξη. Η οπτική αναγνώριση και απόρριψη υλοποιήθηκε σε λογισμικό σε περιβάλλον Matlab. Το λογισμικό εκμεταλλεύεται τις δυνατότητες του Matlab σε πρόσκτηση δεδομένων βίντεο και σε ψηφιακή επεξεργασία εικόνων για την υλοποίηση του συστήματος χρωματικής διαλογής. Συνοπτικά, το λογισμικό περιλαμβάνει τις εξής διαδικασίες: Αρχικά, λαμβάνεται ως είσοδος το βίντεο σε πραγματικό χρόνο από την κάμερα του συστήματος. Στη συνέχεια, κάθε καρέ (frame) του βίντεο, σε προκαθορισμένα χρονικά διαστήματα, υφίσταται κατάλληλη επεξεργασία προκειμένου να αποφασιστεί αν η εικονιζόμενη ελιά είναι ή όχι αποδεκτή. Συγκεκριμένα, o η αρχική εικόνα μετατρέπεται σταδιακά σε δυαδική, με διαδικασία καθολικής κατωφλίωσης της εικόνας φωτεινότητας (Εικόνα 4) o στη συνέχεια, με τη χρήση μορφολογικών φίλτρων, με βάση τον αλγόριθμο Van Herk (Van Herk, M. 1992) αφαιρούνται όλα τα ανεπιθύμητα τμήματα εικόνας (π.χ. με μέγεθος μικρότερο από αυτό της ελιάς), καθώς και η σκιά που εμφανίζεται λόγω του φωτισμού, ενώ «γεμίζουν» τα κενά στην εικόνα με μορφολογικά φίλτρα, ώστε τελικά να παραμείνει προς επεξεργασία ένα ενιαίο αντικείμενο ενδιαφέροντος (Εικόνα 5) o τέλος, ακολουθεί διαδικασία σύγκρισης τιμών χρώματος με βάση προκαθορισμένα αποδεκτά όρια και εξάγεται το συμπέρασμα εάν η ελιά είναι ή όχι αποδεκτή (Εικόνα 6). Η διαδικασία αυτή εκτελείται στο κανάλι Hue (απόχρωση) μετά τη μετατροπή της έγχρωμης εικόνας στον HSV χρωματικό χώρο. Συγκεκριμένα, πραγματοποιούνται τρεις συγκρίσεις: Όταν η τιμή στο κανάλι της απόχρωση είναι στο διάστημα [0.06, 0.1), τότε η ελιά χαρακτηρίζεται ως αποδεκτή ελιά καφέ χρώματος Όταν η τιμή στο κανάλι της απόχρωσης είναι στο διάστημα [0.1, 0.3], τότε η ελιά χαρακτηρίζεται ως αποδεκτή ελιά πράσινου χρώματος Σε κάθε άλλη περίπτωση η ελιά χαρακτηρίζεται απορριπτέα

5 Εικόνα 4. Σταδιακή μετατροπή της αρχικής εικόνας σε δυαδική Εικόνα 5. Εφαρμογή μορφολογικών φίλτρων και παραγωγή τελικής εικόνας ελέγχου Εικόνα 6. Τελική επεξεργασία και αναγνώριση του χρώματος της ελιάς 4. ΠΕΙΡΑΜΑΤΙΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ Το πειραματικό σύστημα που υλοποιήθηκε για τη χρωματική διαλογή επιτραπέζιας ελιάς δοκιμάστηκε σε λειτουργία και ελέγχθηκε ως προς την επιτυχή αναγνώριση δεκτών ή απορριπτέων καρπών επιτραπέζιας ελιάς (πράσινου χρώματος). Στα πειράματα, που πραγματοποιήθηκαν με τη χρήση πάνω από 500 ελιών, χρησιμοποιήθηκαν οι εξής παραδοχές: Ταχύτητα ροής προϊόντων (ταινιόδρομου): 7.5 mm/sec ή 10 mm/sec Ταχύτητα και ανάλυση κάμερας: 30 fps, 320 x 240 pixels Ταχύτητα πρόσκτησης εικόνας: 0.5 fps (1 καρέ ανά δύο sec) Ταχύτητα αναγνώρισης: 3 fps (0.3 sec ανά καρέ) Δεν υπάρχουν επικαλύψεις καρπών στην εικόνα της κάμερας Με αυτά τα πειραματικά δεδομένα, το σύστημα είχε τη δυνατότητα λειτουργίας με ρυθμό 0.5 fps και τα αποτελέσματα που ελήφθησαν οδήγησαν στην εκτίμηση μέσων ποσοστών επιτυχίας αναγνώρισης 90 % και αναγνώρισης και απόρριψης 100 %. Παρατηρήθηκε δε, ότι το σύστημα έχει ένα ποσοστό εσφαλμένης αναγνώρισης και απόρριψης 10 %, ενώ παρουσίασε ποσοστό εσφαλμένης αναγνώρισης και αποδοχής 0 %. Τα αποτελέσματα φανερώνουν ότι υπάρχει κάποιο ποσοστό αποδεκτών καρπών που χαρακτηρίζονται εσφαλμένα ως απορριπτέοι. Αυτό το ποσοστό αποτυχίας του συστήματος οφείλεται σε μεγάλο βαθμό στην ποιότητα του φωτισμού (που οδηγεί σε μεταβολή του πραγματικού χρώματος του καρπού) καθώς και στην ποιότητα εικόνας που παρέχει η κάμερα που χρησιμοποιήθηκε. Για λόγους σύγκρισης, παρατίθενται τα χαρακτηριστικά και το εκτιμώμενο κόστος βιομηχανικού του μοναδικού χρωματοδιαλογέα ελιάς που εντοπίστηκε στην ελληνική βιομηχανία τροφίμων και είναι της εταιρείας SORTEΧ: το σύστημα κάνει χρήση 2 καμερών με οπτική ανάλυση 6-10 mm χρησιμοποιώντας υπέρυθρο φωτισμό, σύστημα απόρριψης με συστοιχίες αέρα 20 φυσητήρων (5-6 bar), ταχύτητα ταινιόδρομου m/min, δυναμικότητα 6-10 tn/h, ποσοστό επιτυχίας πράσινες-μαύρες ελιές

6 95%, ποσοστό επιτυχίας σε ξένα σώματα 90% και κόστος περί τις Από τα στοιχεία του εν λόγω συστήματος είναι φανερό ότι το κόστος είναι σημαντικό για μια μικρή επιχείρηση στη βιομηχανία τροφίμων και ως εκ τούτου οι χρωματοδιαλογείς δε γνωρίζουν σημαντική διάχυση στην ελληνική βιομηχανία. Αυτός είναι και ο βασικός λόγος για τον οποίο πραγματοποιήθηκε η υλοποίηση του προτεινόμενου εργαστηριακού συστήματος με γνώμονα την κάλυψη συγκεκριμένης ανάγκης της εγχώριας βιομηχανίας τροφίμων με το μικρότερο δυνατό κόστος. 5. ΣΥΜΠΕΡΑΣΜΑΤΑ Οι χρωματοδιαλογείς αποτελούν σήμερα σημαντικά εργαλεία στη γραμμή παραγωγής της βιομηχανίας τροφίμων. Στόχος τους είναι να παρέχουν γρήγορη και οικονομική διαλογή προϊόντων όταν η ποιότητα μπορεί να συναχθεί από τη χρωματική πληροφορία στην επιφάνεια των προϊόντων. Στο πλαίσιο της παρούσας εργασίας μελετήθηκαν τεχνολογίες και συστήματα χρωματοδιαλογέων και αναπτύχθηκε ένα χαμηλού κόστους εργαστηριακό σύστημα χρωματοδιαλογής για τον έλεγχο ποιότητας της επιτραπέζιας ελιάς. Η μελέτη του συστήματος κατέδειξε ότι με την κατάλληλη βελτιστοποίηση και επιτάχυνση των διαδικασιών, είναι δυνατή η ενδεχόμενη μελλοντική κατασκευή βιομηχανικού προτύπου. 6. ΒΙΒΛΙΟΓΡΑΦΙΑ Aleixos N.-Blasco J.-Molto E.-Navarron.F. (2000), "Assessment of citrus fruit quality using a realtime machine vision system", Proceedings of the 15 th International Conference on Pattern Recognition, Barcelona, Spain, 3-7 Sep. 2000, vol. 1, pp Brosnan, S., Sun, D.W. (2002), "Inspection and grading of agricultural and food products by computer vision systems-a review", Elsevier-Computers and Electronics in Agriculture, vol. 36 (2-3), pp Christensen, S. (2007). "ICT and robotics in Agriculture and the related industries-a European approach", The European foresight monitoring network, Foresight Brief No 095. Gerrard, D.E., Gao, X., Tan, J. (1996), Beef marbling and colour score determination by image processing, Journal of Food Science, 61 (1), pp Gunasekaran, S. (2001), Non-destructive Food Evaluation Techniques to Analyse Properties and Quality, Food Science and Technology Series, Marcel Dekker, New York, p Gunasekaran, S., Ding, K. (1993), Using computer vision for food quality evaluation, Food Technology, 6, pp Hollingum, J. (1999), "Robots in agriculture", Industrial robot: an international journal, vol. 26 pp Lefebvre, M., Gil, S., Brunet, D., Natonek, E., Baur, C., Gugeril, P., Pun, T. (1993), Computer vision and agricultural robotics for disease control: the potato operation, Computers and Electronics in Agriculture, 9, pp Liu, J., Paulsen, M.R. (1997), Corn whiteness measurement and classification using machine vision, In 1997 ASAE Annual International Meeting Technical Papers, Paper No , ASAE, 2950 Niles Road, St. Joseph, MI , USA. Lu, J., Tan, J., Shatadal, P., Gerrard, D.E. (2000), Evaluation of pork color by using computer vision, Meat Science, 56, 57/60. Ni, B., Paulsen, M.R., Liao, K., Reid, J.F. (1997), Design of an automated corn kernel inspection system for machine vision, Transactions of the ASAE 40 (2), pp Sapirstein, H.D. (1995), Quality control in commercial baking: Machine vision inspection of crumb grain in bread and cake products, In Food Processing Automation IV Proceedings of the FPAC Conference, ASAE, 2950 Niles Road, St. Joseph, Michigan , USA. Swanson, R.E. (1994), Color sorter including a foreign object reject system, United States Patent, Patent No Tao, Y., Heinemann, P.H., Varghese, Z., Morrow, C.T., Sommer, H.J., III (1995), Machine vision for colour inspection of potatoes and apples, Transactions of the ASAE, 38 (5), pp Tarbell, K.A., Reid, J.F. (1991), A computer vision system for characterising corn growth and development, Transactions of the ASAE, 34 (5), pp Van Herk, M. (1992), A fast algorithm for local minimum and maximum filters on rectangular and octagonal, Pattern Recognition Letters, 13 (7), pp Zayas, I.Y., Martin, C.R., Steele, J.L., Katsevich, A. (1996), Wheat classification using image analysis and crush force parameters, Transactions of the ASAE, 39 (6), pp