Optik ayırma
Bu madde, öksüz maddedir; zira herhangi bir maddeden bu maddeye verilmiş bir bağlantı yoktur. (Eylül 2022) |
Optik ayırma (bazen dijital sıralama da denir), katı ürünleri kameralar ve/veya lazerleri kullanarak otomatik ayırma işlemidir.
Kullanılan sensör tiplerine ve görüntü işleme sisteminin yazılım odaklı zekasına bağlı olarak, optik sıralayıcılar nesnelerin rengini, boyutunu, şeklini, yapısal özelliklerini ve kimyasal bileşimini tanıyabilir.[1] Sıralayıcı, kusurlu ürünleri ve yabancı maddeleri (FM) belirlemek ve üretim hattından çıkarmak veya farklı sınıf veya malzeme türlerine sahip ürünleri ayırmak için nesneleri kullanıcı tanımlı kabul/red kriterleriyle karşılaştırır.
Optik ayırma, tam üretim hacimlerinde tahribatsız, yüzde 100 hat içi denetim sağlar.
Optik ayıklayıcılar dünya çapında gıda sanayinde yaygın kullanılır ve patates, meyve, sebze ve kuruyemiş gibi hasat edilmiş gıdaların işlenmesinde en yüksek kabulü ile tam üretim hacimlerinde tahribatsız, yüzde 100 hat içi denetim sağlar. Teknoloji ayrıca ilaç üretimi ve nutrasötik üretim, tütün işleme, atık geri dönüşümü ve diğer endüstrilerde kullanılmaktadır. Sübjektif ve tutarsız olan elle ayırma ile karşılaştırıldığında, optik ayırma, ürün kalitesini iyileştirmeye, verimi en üst düzeye çıkarmaya ve işçilik maliyetlerini düşürürken verimi artırmaya yardımcı olur.[2]
Tarih
değiştirOptik ayıklama, ilk önce meyve ve sebze gibi tarımsal ürünlerin endüstriyel olarak sınıflandırılmasını otomatikleştirme arzusundan ortaya çıkan fikirdir.[3] 1930'larda otomatik optik sınıflandırma teknolojisi ortaya çıkmadan önce Unitec gibi şirketler meyve işlemenin mekanik olarak ayıklanmasına yardımcı olmak için ahşap makineler üretiyordu.[3] 1931'de, “the Electric Sorting Company” olarak bilinen bir şirket kuruldu ve 1932'de Michigan'ın fasulye endüstrisinde kurulu ve kullanılan dünyanın ilk renk ayırıcılarını yapmaya başladı.[4] 1937'de optik ayırma teknolojisi, iki renkli seçim ilkesine dayalı sistemlere izin verecek şekilde ilerlemişti.[4] Sonraki birkaç on yıl, yerçekimi besleme sistemleri gibi yeni ve geliştirilmiş ayırma mekanizmalarının kurulmasına ve daha tarımsal endüstrilerde optik ayırmanın uygulanmasına tanık oldu.[5]
1960'ların sonlarında, optik ayırma, demirli ve demirsiz metallerin sınıflandırılması gibi tarımın ötesindeki yeni endüstrilere uygulanmaya başladı.[6] 1990'lara gelindiğinde katı atıkların ayrıştırılmasında optik ayrıştırma yoğun olarak kullanılıyordu.[6]
1990'ların sonunda ve 2000'lerin başında gerçekleşen büyük teknolojik devrimle birlikte, CCD, UV ve IR kameralar gibi yeni optik sensörlerin uygulanmasıyla optik ayırıcılar daha verimli hale getirildi.[5] Günümüzde optik ayıklama çok çeşitli endüstrilerde kullanılmaktadır ve bu nedenle bu belirli ayırıcının görevine yardımcı olmak için çeşitli mekanizma seçenekleriyle uygulanır.
Ayıklama sistemi
değiştir
Genel olarak, optik sıralayıcıların dört ana bileşeni vardır: besleme sistemi, optik sistem, görüntü işleme yazılımı ve ayırma sistemi.[7] Besleme sisteminin amacı, ürünleri tek tip bir tek tabakaya yaymak ve böylece ürünler optik sisteme eşit olarak, kümeler olmadan, sabit bir hızda sunmaktır. Optik sistem, denetlenen nesnelerin akışının üstüne ve/veya altına yerleştirilmiş ışıklar ve sensörler içerir. Görüntü işleme sistemi, nesneleri sınıflandırmak ve ayırma sistemini harekete geçirmek için nesneleri kullanıcı tanımlı kabul/reddetme eşikleriyle karşılaştırır. Ayırma sistemi - genellikle küçük ürünler için sıkıştırılmış hava ve bütün patatesler gibi daha büyük ürünler için mekanik cihazlar - nesneleri havadayken saptar ve iyi ürün normal yörüngesi boyunca devam ederken nesneleri bir reddetme oluğuna yönlendirir.
Kullanılacak ideal ayırıcı uygulamaya göre değişir. Bu nedenle ürünün özellikleri ve kullanıcının amaçları ideal sensörleri, yazılıma dayalı yetenekleri ve mekanik platformu belirler.
Sensörler
değiştirOptik sıralayıcılar, görüntülerin işlenebilmesi için nesnelerin görüntülerini aydınlatmak ve yakalamak için ışık ve sensör bileşimi gerektirir. İşlenen görüntüler malzemenin kabul edilip edilmeyeceğini belirler.
Tek bir platformda ikisinin bir kombinasyonunu içeren sıralayıcılar kameralı sıralayıcılar, lazerli sıralayıcılar ve sıralayıcılar vardır. Işıklar, kameralar, lazerler ve lazer sensörleri kızılötesi (IR) ve ultraviyole (UV) spektrumların yanı sıra görünür ışık dalga boylarında çalışacak şekilde tasarlanabilir. Her uygulama için optimum dalga boyları, ayrılacak nesneler arasındaki zıtlığı en üst düzeye çıkarır. Kameralar ve lazer sensörleri uzamsal çözünürlükte (ing:spatial resolution) farklılık gösterebilir ve daha yüksek çözünürlükler, sıralayıcının daha küçük kusurları algılamasını ve kaldırmasını sağlar.
Kameralar
değiştirTek renkli kameralar siyahtan beyaza olan grinin tonlarını algılar ve yüksek kontrastlı kusurları olan ürünleri ayırırken etkilidir.
Yüksek renk çözünürlüğüne sahip gelişmiş renkli kameralar daha ince renk kusurlarını daha iyi ayırmak için milyonlarca rengi algılayabilir. Trikromatik renkli kameralar (aynı zamanda üç kanallı kameralar da denir) ışığı, IR ve UV'nin yanı sıra görünür spektrum içinde kırmızı, yeşil ve/veya maviyi içerebilen üç banda böler.
Akıllı yazılımla birleştiğinde kameralı sıralayıcılar her bir nesnenin rengini, boyutunu ve şeklini ve bunların yanında üründeki kusurun rengini, boyutunu, şeklini ve yerini de tanıyabilir. Bazı akıllı sıralayıcılar kullanıcının herhangi bir nesnenin toplam kusurlu yüzey alanına dayalı olarak kusurlu bir ürünü tanımlamasına bile izin verirler.
Lazerler
değiştirKameralar esasen malzeme yansımasına dayalı ürün bilgilerini yakalarken, lazerler ve lazerlerin sensörleri malzemenin yapısal özelliklerini renkleriyle birlikte ayırabilir. Bu yapısal özellik denetimi lazerlerin böcekler, cam, metal, çubuklar, kayalar ve plastik gibi çok çeşitli organik ve inorganik yabancı maddeleri hatta iyi ürünle aynı renkte olsalar bile .algılanmasını sağlar.
Lazerler, görünür spektrumda veya ötesinde olsun ışığın beli dalga boylarında çalışacak şekilde tasarlanabilir.[8] Örneğin lazerler yeşil sebzelerden yabancı maddelerin uzaklaştırılmasında oldukça etkili olan belirli dalga boylarını kullanıp floresansı (ing:fluorescence) uyararak klorofili saptayabilir.[9]
Kamera/lazer bileşimleri
değiştirTek bir platformda kameralar ve lazerlerle donatılmış ayıklatıcılar, genellikle en çok çeşitlilikte özellikleri tanımlama yeteneği vardır. Kameralar genellikle rengi, boyutu ve şekli tanımada daha iyidir, lazer sensörlerse yabancı madde algılama ve çıkarmayı en üst düzeye çıkarmak için yapısal özelliklerdeki farklılıkları tanımlar.
Hiperspektral Görüntüleme
değiştirDaha önce imkansız olan sıralama zorluklarını çözme ihtiyacından hareketle, multispektral ve hiperspektral görüntüleme sistemleri olan yeni nesil sıralayıcılar geliştirilmektedir.[10]
Trikromatik kameralar gibi, multispektral ve hiperspektral kameralar da elektromanyetik spektrumdan veri toplar. Işığı üç banda bölen trikromatik kameraların aksine hiperspektral sistemler, elektromanyetik spektrumun büyük bir bölümünü kapsayan sürekli bir aralıkta ışığı yüzlerce dar banda bölebilir. Trikromatik kameralar tarafından toplanan piksel başına üç veri noktasıyla karşılaştırıldığında hiperspektral kameralar her nesne için benzersiz spektral imza (parmak izi olarak da adlandırılır) oluşturmak üzere birleştirilen piksel başına yüzlerce veri noktası toplayabilir. Yetenekli yazılım zekası ile tamamlandığında hiperspektral bir sıralayıcı, ürünün kimyasal bileşimine göre sıralamayı sağlamak için bu parmak izlerini işler. Bu kemometrinin gelişmekte olan bir alanıdır.
Yazılım odaklı zeka
değiştirSensörler, nesnenin enerji kaynağına tepkisini yakaladığında ham verileri işlemek için görüntü işleme kullanılır. Görüntü işleme belirli özellikler hakkındaki bilgiler çıkarıp ve sınıflandırır. Kullanıcı daha sonra ham veri akışında neyin iyi neyin kötü olduğunu belirlemek için kullanılan kabul/red eşiklerini tanımlar. Görüntü işleme sanatı ve bilimi operatöre basit bir kullanıcı arayüzü sunarken sıralayıcının etkinliğini en üst düzeye çıkaran algoritmalar geliştirmekte yatar.
Nesne tabanlı tanıma, yazılım güdümlü zekanın klasik bir örneğidir. Kullanıcının, bir kusurun üründe nerede olduğuna ve/veya bir nesnenin toplam kusurlu yüzey alanına dayalı olarak kusurlu bir ürünü tanımlamasına olanak tanır. Daha geniş bir kusurlu ürün yelpazesinin tanımlanmasında daha fazla kontrol sunar. Ayırıcının fırlatma sistemini kontrol etmek için kullanıldığında, kusurlu ürünleri çıkarmanın doğruluğunu artırabilir. Bu, ürün kalitesini iyileştirir ve verimi artırır.
Çeşitli uygulamaların özel ihtiyaçlarını karşılamak için sürekli yeni yazılım odaklı yetenekler geliştirilmektedir. Bilgi işlem donanımı daha güçlendikçe yeni yazılım odaklı gelişmeler mümkün hale gelmektedir. Bu gelişmelerden bazıları, daha iyi sonuçlar elde etmek için sıralayıcıların etkinliğini artırırken diğerleri tamamen yeni sıralama kararlarının alınmasını sağlar.
Platformlar
değiştirBelirli bir uygulama için ideal platformu belirleyen hususlar ürünün yapısını (büyük veya küçük, ıslak veya kuru, kırılgan veya kırılmaz, yuvarlak veya denegelemesi kolay) ve kullanıcının amaçlarını içerir. Genellikle bir pirinç tanesinden daha küçük ve patates kadar büyük ürünler sınıflandırılabilir. Verim düşük kapasiteli ayıklayıcılarda saatte 2 metrik tondan az üründen, yüksek kapasiteli ayıklayıcılarda saatte 35 metrik tondan fazla ürüne kadar değişir.
Kanallı ayırıcılar
değiştirEn sade optik sıralayıcılar, pirinç ve tohum gibi tutarlı bir boyut ve şekle sahip küçük, sert ve kuru ürünler için etkili olabilen bir tip renk ayırıcı olan kanallı ayıklayıcılardır Bu ürünler için kanal sıralayıcılar, küçük bir ayak izi ile uygun maliyetli bir çözüm ve kullanım kolaylığı sunar. Kanallı sıralayıcılar, tek renkli veya renkli kameralara sahiptir ve yalnızca renk farklılıklarına dayalı olarak kusurları ve yabancı maddeleri giderir.
Yumuşak, ıslak veya homojen olmayan ürünler gibi bir kanal sıralayıcı tarafından işlenemeyen ürünler ve ürünlerinin kalitesi üzerinde daha fazla kontrol isteyen işlemciler için, serbest düşüşlü sıralayıcılar (şelale veya yerçekimi beslemeli sıralayıcılar da denir), şut (ing: chute)- beslemeli, ayırıcılar veya bantlı ayırıcılar daha idealdir. Bu daha karmaşık sıralayıcıların genellikle, yetenekli yazılım zekası ile tamamlandığında nesnelerin boyutunu, şeklini, rengini, yapısal özelliklerini ve kimyasal bileşimini algılayan gelişmiş kameraları ve/veya lazerleri vardır.
Serbest düşüşlü ve kanal beslemeli sıralayıcılar
değiştirAdından da anlaşılacağı gibi serbest düşüş ayırıcılar, serbest düşüş sırasında ürünü havada denetler ve kanal beslemeli ayırıcılar, havada incelemeden önce ürünü kanalda dengeler. Bantlı sıralayıcılara kıyasla serbest düşüşlü ve kanal beslemeli sıralayıcıların en büyük avantajları, daha düşük bir fiyat noktası ve daha az bakım gerektirmesidir. Bu ayıklayıcılar, orta hacimli çıktılar gerektiren atık geri dönüşüm uygulamalarına ek olarak genellikle kuruyemiş ve böğürtlenlerin yanı sıra dondurulmuş ve kurutulmuş meyveler, sebzeler, patates dilimleri ve deniz ürünleri için çok uygundur.
Bant ayırıcılar
değiştir
Bantlı ayırma platformları genellikle sebze ve patates ürünleri gibi daha yüksek kapasiteli uygulamalar için konserve, dondurma veya kurutma öncesi tercih edilir. Ürünler genellikle muayeneden önce bir konveyör bant üzerine alınır. Bazı bant ayırıcılar ürünleri bandın üstünden incelerken diğer ayırıcılar da havada inceleme için ürünleri banttan gönderir. Bu ayırıcılar, geleneksel iki yönlü ayırma veya üç çıkış akışına sahip iki ejektör sistemi varsa üç yönlü ayırma elde etmek için tasarlanabilir.
ADR sistemleri
değiştirOtomatik kusur giderme (ing:automated defect removal) (ADR) sistemi denilen beşinci tip sıralama platformu özellikle patates dilimleri (patates kızartması) içindir. Kusurlu ürünleri üretim hattından çıkaran diğer ayıklayıcıların aksine ADR sistemleri kusurları belirler ve kusurları şeritlerden fiilen keser. ADR sisteminin ardından mekanik bir nubbin greyder kombinasyonu, kusurları belirlemek ve ortadan kaldırmak için optik sensörler kullandığından, başka bir optik sınıflandırma sistemi türüdür.
Tek sıralı muayene sistemleri
değiştirYukarıda açıklanan platformların tümü dökme malzemelerle çalışır; yani muayene için tek sırada malzemelere gerek duymazlar. Buna karşılık ilaç endüstrisinde kullanılan altıncı tip platform tek sıralı bir optik muayene sistemidir. Bu ayırıcılar boyut, şekil ve renk farklılıklarına bağlı olarak yabancı cisimlerin çıkarılmasında etkilidir. Düşük verimlilik nedeniyle diğer platformlar kadar popüler değiller.
Mekanik greyderler
değiştirSadece ölçüye göre sıralama gerektiren ürünlerde sensörler ve görüntü işleme yazılımı gerekli olmadığından mekanik derecelendirme sistemleri kullanılır. Bu mekanik derecelendirme sistemlerine bazen ayırma sistemleri denir ancak sensörler ve görüntü işleme sistemleri içeren optik sıralayıcılarla karıştırılmamalıdır.
Pratik kullanım
değiştirAtık ve geri dönüşüm
değiştirMetaller, alçıpan, karton ve çeşitli plastikler gibi üretim atıklarını belirlemek ve atmak için optik ayırma makineleri kullanılabilir.[11] Metal sanayisinde plastik, cam, ahşap ve diğer ihtiyaç duyulmayan metalleri atmak için optik ayıklama makineleri kullanılır.[12] Plastik endüstrisi, yalnızca listelenenler gibi çeşitli malzemeleri değil aynı zamanda farklı plastik türlerini de atmak için optik ayırma makinelerini kullanır. Optik ayırma makineleri, reçine türlerini ayırt ederek farklı plastik türlerini atar. Optik ayırma makinelerinin tanımlayabileceği reçine türleri şunlardır: HDPE, PVC, PLA, PE ve diğerleri.[12]
Optik tasnifle atılan malzemeler kutularda depolandığından geri dönüşüme de yardımcı olur. Bir kutu belirli bir malzemeyle dolduğunda uygun geri dönüşüm tesisine gönderilir.[13] Optik ayırma makinelerinin reçine türlerini ayırt edebilme özelliği her plastik türü için farklı yöntemler kullanıldığından plastiklerin geri dönüştürülmesine de yardımcıdır.[14]
Yiyecek ve içecek
değiştirKahve endüstrisinde quaker adı verilen az gelişmiş kahve çekirdeklerini tanımlamak ve çıkarmak için optik ayıklama makineleri kullanılır; Quakers çoğunlukla karbonhidrat ve şeker içeren çekirdeklerdir.[15] Daha doğru bir kalibrasyon, daha az toplam hatalı ürün sayısı verir.[15] Counter Culture gibi bazı kahve şirketleri daha lezzetli bir fincan kahve yapmak için önceden var olan sıralama yöntemlerine ek olarak bu makineleri kullanır.[15] Bir sınırlama birinin kusurlu ürünleri belirlemek için bu makineleri elle programlaması gerektiğidir.[15]
Ancak bu bilim kahve çekirdekleri ile sınırlı değildir; hardal tohumu, meyve, buğday ve kenevir gibi gıda maddelerinin tümü optik ayıklama makinelerinde işlenebilir.[16]
Şarap üretim sürecinde üzümler ve meyveler kahve çekirdekleri gibi sınıflandırılır.[17] Şarap yapım sürecinde bitkinin olgunlaşmamış/yeşil kısımlarının yer almamasını sağlamak için üzüm sınıflandırması kullanılır.[17] Geçmişte, kusurlu üzümleri daha etkili üzümlerden ayırmak için sıralama tabloları aracılığıyla elle sıralama kullanılıyordu.[17] Artık mekanik hasat elle ayırmaya kıyasla daha yüksek bir etkinlik oranı sağlamaktadır.[17] Hattın farklı noktalarında malzemeler birkaç optik ayırma makinesiyle ayıklanırlar.[17] Her makine, farklı şekil ve boyutlarda çeşitli malzemeler arar.[17]
Meyveler veya üzümler daha sonra, verilen meyvenin şekline ve yapısına göre bir kamera, lazer veya bir LED teknolojisi kullanılarak uygun şekilde sıralanabilir. Sıralama makinesi daha sonra gereksiz öğeleri atar.[18]
Ayrıca bakınız
değiştir- Gıda sınıflandırması
- Besin Güvenliği
- Gıda Teknolojisi
- Geri Dönüşüm#Sıralama
Kaynakça
değiştir- ^ Computer vision technology for food quality evaluation. 1st. Sun, Da-Wen. Amsterdam: Elsevier/Academic Press. 2008. ISBN 978-0-12-373642-0. OCLC 228148344.
- ^ Nondestructive testing of food quality. 1st. Irudayaraj, Joseph, 1961-, Reh, Christoph. Ames, Iowa: Blackwell Pub./IFT Press. 2008. ISBN 978-0-470-38828-0. OCLC 236187975.
- ^ a b "About us". Unitec Group (İngilizce). 1 Mart 2017 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ a b "Optical Sorting Technology Explained - Satake USA". www.satake-usa.com. 24 Ekim 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ a b "Optical Sorting Systems - Satake USA". www.satake-usa.com. 27 Kasım 2014 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ a b "The History Of MSS | Optical Sorting & Recycling Technology" (İngilizce). 26 Nisan 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ Detecting foreign bodies in food. Edwards, M. C. (Michael Charles). Boca Raton: CRC Press. 2004. ISBN 1-85573-839-2. OCLC 56123328.
- ^ [1], "Scattered/transmitted light information system", 1992-09-30 tarihinde verildi
- ^ Zheng (1 Aralık 2010). "Automatic sorting of Chinese jujube (Zizyphus jujuba Mill. cv. 'hongxing') using chlorophyll fluorescence and support vector machine". Journal of Food Engineering (İngilizce). 101 (4): 402-408. doi:10.1016/j.jfoodeng.2010.07.028. ISSN 0260-8774. 24 Eylül 2015 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Aralık 2021.
- ^ "StackPath". www.vision-systems.com. 8 Aralık 2013 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Mart 2020.
- ^ "Typical Wastes Generated by Industry Sectors". US EPA (İngilizce). 26 Mayıs 2015. 22 Haziran 2015 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ a b "Optical Sorting Applications And Sorting Machines | MSS" (İngilizce). 24 Mart 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ "A Look at Optical Sorting". Waste360 (İngilizce). 10 Eylül 2015. 13 Ekim 2015 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ "Plastic recycling", Wikipedia (İngilizce), 1 Nisan 2020, 13 Ağustos 2023 tarihinde kaynağından arşivlendi, erişim tarihi: 2 Nisan 2020
- ^ a b c d "Optical Sorting Q&A". Counter Culture Coffee (İngilizce). 21 Eylül 2018. 24 Mart 2020 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ "Intel Seed Ltd. | Grain and Forage Seed Manitoba | Seed Cleaning and Conditioning Manitoba | HOME". www.intelseed.ca. 26 Ekim 2014 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Nisan 2020.
- ^ a b c d e f OCM 2013 - Optical Characterization of Materials - conference proceedings (İngilizce). KIT Scientific Publishing. 2013. ISBN 978-3-86644-965-7. 2 Aralık 2021 tarihinde kaynağından arşivlendi. Erişim tarihi: 2 Aralık 2021.
- ^ Lafontaine (1 Aralık 2013). "Automatic Fruit Sorting by Non-Destructive Determination of Quality Parameters Using Visible/Near Infrared to Improve Wine Quality: I. Red Wine Production". NIR News (İngilizce). 24 (8): 6-8. doi:10.1255/nirn.1403.