Ближняя инфракрасная (NIR) гиперспектральная визуализация для обнаружения посторонних включений в продуктах питания в упаковке

Метод ближней инфракрасной спектроскопии

NIR-спектроскопия — это передовой аналитический метод, объединяющий хемометрику, информационные технологии, спектральные измерения и базовые принципы химического анализа. Это обеспечивает совершенно новый подход к анализу, отличный от традиционных методов. NIR-спектроскопия — это косвенный метод, требующий создания калибровочной модели для количественного и качественного анализа образцов. Этот метод находит широкое применение в таких областях, как металлургия, нефтехимия, сельское хозяйство, медицина, табачная промышленность, косметология и охрана окружающей среды.

Преимущества NIR гиперспектральной визуализации

1. Неразрушающий контроль: Ключевое преимущество, позволяющее проводить неинвазивный анализ фруктов, овощей и упакованных продуктов. Установка системы контроля на складах позволяет автоматизировать процесс, сокращая затраты на персонал и ресурсы.

2. Оперативный контроль в производственной линии: Благодаря высокой скорости анализа, системы NIR-визуализации могут быть интегрированы в производственные линии для контроля сырья, полуфабрикатов и конечной продукции. Это позволяет оперативно выявлять отклонения и обеспечивать стабильное качество продукции.

3. Быстрый анализ: Использование информационных технологий обеспечивает высокую скорость анализа, обычно не превышающую 2 минуты.

4. Удобство и экологичность: Ближний инфракрасный свет обладает высокой проникающей способностью, не требует подготовки образцов и легко проходит через пластиковую и стеклянную упаковку. Отсутствие необходимости в химических реагентах снижает негативное воздействие на окружающую среду и сокращает затраты.

Применение NIR гиперспектральной визуализации для выявления посторонних включений в продуктах питания в упаковке

1. Оборудование: Спектрометр Color spectrum FS-17, коротковолновый NIR диапазон 900-1700 нм.

2. Объект анализа: Упакованные побеги бамбука.

3. Методика:

• Используются методы контролируемой и неконтролируемой кластеризации для идентификации различных компонентов внутри упаковки.

• На основе анализа спектральных характеристик посторонних включений, применяется технология глубокого машинного обучения (AI) для быстрой идентификации дефектной продукции.