ES2552405B1 - Sistema y método de detección de parásitos Anisakis en filetes de pescado - Google Patents
Sistema y método de detección de parásitos Anisakis en filetes de pescado Download PDFInfo
- Publication number
- ES2552405B1 ES2552405B1 ES201430789A ES201430789A ES2552405B1 ES 2552405 B1 ES2552405 B1 ES 2552405B1 ES 201430789 A ES201430789 A ES 201430789A ES 201430789 A ES201430789 A ES 201430789A ES 2552405 B1 ES2552405 B1 ES 2552405B1
- Authority
- ES
- Spain
- Prior art keywords
- image
- anisakis
- individual
- obtaining
- fish
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/88—Image or video recognition using optical means, e.g. reference filters, holographic masks, frequency domain filters or spatial domain filters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
Sistema y método de detección de parásitos anisakis en filetes de pescado. El sistema comprende:#- un módulo de iluminación (10) para someter al filete de pescado (1) a una iluminación pulsada;#- medios de captura de imágenes (20);#- un módulo de control (30) que sincroniza la captura de la imagen (3) con la iluminación pulsada;#- medios de procesamiento (40) para:#- aplicar un proceso de segmentación sobre la imagen (3) capturada, obteniendo una imagen binaria (6);#- realizar una identificación geométrica de individuos presentes en la imagen binaria (6) mediante correspondencia de patrones geométricos, obteniendo parámetros geométricos;#- extraer características de intensidad por banda espectral de cada individuo, obteniendo parámetros de coloración;#- introducir los parámetros geométricos y de coloración de cada individuo en una red neuronal artificial que establece una relación entre las características morfológicas, de silueta y de color con las características propias del anisakis, para estimar si el individuo es o no anisakis.
Description
Campo de la invención El anisakis es un género de nematodos parásito, cuyo ciclo vital afecta a los peces y mamíferos marinos, en los que puede producir lesiones en su tubo digestivo y plantean un riesgo para la salud humana en dos sentidos: a través de la infección mediante gusanos al comer pescado no elaborado y mediante reacciones alérgicas a las sustancias químicas que los gusanos dejan en el pescado.
La anisakiasis aparece con frecuencia en áreas del mundo en las que el pescado se come crudo O ligeramente salado o condimentado. Horas después de la in gestión de las larvas del parásito, pueden aparecer dolor abdominal, náuseas y vómitos. Si las larvas pasan al intestino, puede producirse una severa respuesta granulomatosa eosinofílica incluso 1 o 2 semanas después de la infestación.
Las manifestaciones clínicas de las reacciones alérgicas varían desde urticaria y/o angioedema que están presentes en todos ellos, hasta casos de choque anafiláctico grave.
El objeto de la invención es la identificación de los anisakis previamente a su ingesta realizado mediante un sistema compacto que permite analizar muestras de carne de pescado y cefalópodos e identificar la presencia del parásito Anisakis, determinando el grado de infección.
Antecedentes de la invención Actualmente existen determinados procedimientos capaces de detectar la presencia de Anisakis en alimentos. Dichos métodos son llevados a cabo en laboratorios, utilizando equipos complejos diseñados para condiciones de laboratorio que requieren grandes conocimientos para su manejo, que no están aislados del agua ni son lo higiénicos que deben ser para trabajar con alimentos.
Los documentos de patente WQ20071 18209-A2 y US20060129327A1 divulgan unos procedimientos de detección de patógenos con un funcionamiento complejo y que presentan determinados problemas, en concreto la necesidad de trocear la muestra, centrifugarla,
embeberla en medios acuosos o utilizar determinados trazadores.
Los métodos empleados están basados en la identificación de antígenos, métodos genéticos y/o bioquímicos que requieren reactivos y trabajo en laboratorios especiales que además hacen incomible el pescado utilizado en las pruebas. La presente invención tiene por objeto eliminar los problemas expuestos, presentando un sistema y un procedimiento que permite detectar la presencia del parásito Anisakis en pescado de forma inocua, manteniendo la pieza de pescado intacta, de forma que el pescado analizado que es considerado libre de Anisakis puede ser posteriormente ingerido.
Descripción de la invención La presente invención se refiere a un equipo basado en escáner óptico de alta resolución que, empleando técnicas ópticas, de visión artificial y de procesado digital de imagen, es capaz de detectar específicamente la presencia de Anisakis en las muestras de pescado y cefalópodos analizados.
La identificación de los anisakis se realiza previamente a la ingesta de carne de pescado y cefalópodos, determinando el grado de infección y aconsejando su descarte si fuera necesario. En caso de no tener infección el mismo trozo analizado puede ser ingerido ya que los procedimientos de análisis son inocuos.
El proceso analítico comienza con la adquisición de la imagen. Esta imagen se transfiere al módulo interno de procesado mediante algoritmos que además de realizar el análisis previamente descrito, proporciona un interfaz táctil al usuario para que introduzca la información relativa al ensayo, al lote de producción, o cualquier otra información significativa para la realización de un análisis posterior o para la generación de informes.
Un primer aspecto de la presente invención se refiere a un sistema de detección de parásitos Anisakis en filetes de pescado, donde el filete de pescado a inspeccionar es depositado en una zona de inspección. El sistema comprende:
- -
- un módulo de iluminación configurado para someter al filete de pescado a una iluminación pulsada; -medios de captura de imágenes configurados para capturar automáticamente una imagen en color del filete de pescado mientras es sometido a la iluminación pulsada; -un módulo de control configurado para sincronizar la captura de la imagen con la
iluminación pulsada;
-medios de procesamiento configurados para:
• aplicar un proceso de segmentación sobre la imagen capturada, obteniendo
una imagen binaria con la silueta de diferentes individuos que pueden corresponder a 5 anisakis en el filete de pescado;
• realizar una identificación geométrica de cada individuo presente en la imagen binaria mediante un proceso de correspondencia de patrones geométricos, obteniendo parámetros geométricos de cada individuo;
• extraer las características de intensidad y porcentaje de presencia por banda 10 espectral de cada individuo, obteniendo parámetros de coloración de cada individuo;
• introducir un vector de entrada con los parámetros geométricos y de coloración obtenidos para cada individuo en una red neuronal artificial que establece una relación entre las caracteristicas morfológicas, de silueta y de color de cada individuo con las características propias del anisakis, para estimar si el individuo es o
15 no anisakis.
En una realización preferida el módulo de iluminación está configurado para generar la
iluminación pulsada dentro de una banda de longitud de onda entre 230 y 700 nanómetros,
con una irradiancia controlada de hasta 2 W/cm2 y/o en periodos programables con una
20 duración de encendido entre 0,1 a 1 segundo por pulso y una duración de apagado de entre 0,1 a 5 segundos por pulso.
El módulo de control puede estar configurado para realizar la sincronización de la captura de la imagen con la iluminación pulsada en función de la longitud de onda e irradiancia
25 programadas en el módulo de iluminación. Para la obtención de los parámetros de coloración, los medios de procesamiento pueden estar configurados para clasificar la intensidad en distintas bandas de color comprendidas entre los 230 a los 700 nanómetros de longitud de onda.
30 Los medios de procesamiento están preferiblemente configurados para obtener las posiciones de los anisakis identificados en el pescado y el tamaño de los mismos. El módulo de iluminación puede estarformado por una pluralidad de emisores LED de alta potencia.
Para la obtención de la imagen binaria los medios de procesamiento están preferiblemente 35 configurados para extraer, de la imagen capturada y mediante técnicas de segmentación de fondo, el fondo que pertenece a la zona de inspección no oculta por el filete de pescado, obteniendo una imagen segmentada del filete de pescado; y aplicar un proceso de umbralización sobre dicha imagen segmentada.
Los medios de procesamiento pueden estar configurados para obtener la imagen binaria mediante una cualquiera de las siguientes formas:
- -
- una segmentación por banda de longitud de onda;
- -
- una segmentación por luminancia;
- -
- una segmentación por saturación;
- -
- aplicar varias de las segmentaciones anteriores y elección de la segmentación que ofrece una imagen con los contornos de los individuos más definidos.
Los medios de procesamiento pueden estar configurados para realizar el proceso de correspondencia de patrones geométricos utilizando una serie de curvas límite que no corresponden a una cuadrícula de píxeles y buscando en la imagen formas similares a los patrones sin basarse en niveles específicos de gris.
Un segundo aspecto de la presente invención se refiere a un método de detección de parásitos Anisakis en filetes de pescado, que comprende:
- -
- someter al filete de pescado a una iluminación pulsada;
- -
- capturar automáticamente una imagen en color del filete de pescado mientras es sometido a la iluminación pulsada, estando la captura de la imagen sincronizada con la iluminación pulsada;
- -
- aplicar un proceso de segmentación sobre la imagen capturada, obteniendo una imagen binaria con la silueta de diferentes individuos que pueden corresponder a anisakis en el filete de pescado;
- -
- realizar una identificación geométrica de cada individuo presente en la imagen binaria (6) mediante un proceso de correspondencia de patrones geométricos, obteniendo parámetros geométricos de cada individuo;
- -
- extraer las características de intensidad y porcentaje de presencia por banda espectral de cada individuo, obteniendo parámetros de coloración de cada individuo;
- -
- introducir un vector de entrada con los parámetros geométricos y de coloración obtenidos para cada individuo en una red neuronal artificial que establece una relación entre las características morfológicas, de silueta y de color de cada individuo con las características propias del anisakis, para estimar si el individuo es o no anisakis.
El sistema presenta en pantalla el resultado de cada proceso, almacenando tanto la
información del análisis como la introducida por el usuario en una base de datos que permite
su posterior consulta, impresión y exportación a otros formatos (Excel, Word , etc.).
El sistema presenta las siguientes funcionalidades:
- •
- Adquisición de imágenes desde sensor óptico.
- •
- Posibilidad de adquisición de imágenes desde archivo (tif, jpg, bmp, etc .).
- •
- Pre-procesado para acondicionamiento de la muestra.
10 • Selección automática/manual sobre la imagen a procesar, de los rangos tonales de cada uno de los elementos a detectar y cuantificar.
• Algoritmos específicos de procesado de imagen para la identificación, segmentación y cuantificación de los Anisakis (individuos completos y fragmentos) frente a la masa de pescado.
15 • Interfaz de usuario, a través de monitor táctil, para la introducción manual de información relativa a la especie escaneada, peso, lote de producción, etc., necesaria para el estudio posterior o la generación de informes automáticos.
• Indicación por el interfaz de usuario de las áreas asignadas a cada uno de los
elementos: 20 • Visualización de Anisakis sobre la propia imagen.
- •
- Indicación del número de Anisakis detectado dentro de la imagen.
- •
- Indicación del área y porcentaje de infección.
- •
- Indicación de grado de infección en cuatro estados:
1. Libre de Anisakis.
25 2. Infección leve.
- 3.
- Infección moderada.
- 4.
- Infección intensa.
• Módulo para la generación automática de informes para cada una de las muestras procesadas por el sistema. En este informe se podrá incluir la imagen con las máscaras
30 identificando cada uno de los elementos especificados y realzados, y la información referente a la presencia de cada uno de ellos cuantitativamente (porcentajes, áreas, no infección, infección leve, moderada e intensa, etc ... ), junto con la información introducida por el usuario.
- •
- Almacenamiento de los resultados de los ensayos en una base de datos.
- •
- Impresión de informes personalizados (lago empresa, laboratorio, configuración de bloques informe, etc.).
La presente invención se puede destinar, entre otros, para su utilización en laboratorios y
5 control de compra/venta profesional, para su instalación en líneas de procesado de plantas industriales, para su utilización en pescaderías y otros puntos de venta de pescado, o para su utilización en restaurantes y tiendas gourmet.
Breve descripción de los dibujos
10 A continuación se pasa a describir de manera muy breve una serie de dibujos que ayudan a comprender mejor la invención y que se relacionan expresamente con una realización de dicha invención que se presenta como un ejemplo no limitativo de ésta.
La Figura 1 muestra los elementos del sistema de detección.
La Figura 2 muestra una zona ampliada de una imagen capturada donde se aprecian anisakis en el pescado.
Las Figuras 3A y 38 muestran, respectivamente, una imagen capturada donde se ha
20 extraído la banda de color y la segmentación por banda de longitud de onda aplicada en dicha imagen.
Las Figuras 4A y 48 muestran, respectivamente, una imagen capturada donde se ha extraído la luminancia y la segmentación por luminancia aplicada en dicha imagen.
25 Las Figuras 5A y 58 muestran, respectivamente, una imagen capturada donde se ha extraído la saturación y la segmentación por saturación aplicada en dicha imagen.
Descripción detallada de la invención
30 La presente invención consiste en un sistema automático de inspección para la identificación de Anisakis en filetes de pescado que integra adquisición de imágenes, mediante sistema de visión artificial, y procesamiento de imágenes, mediante algoritmos apoyados por redes neuronales artificiales.
La Figura 1 muestra los distintos elementos del sistema de detección. El sistema comprende un módulo de iluminación 10, medios de captura de imágenes 20 (una cámara de captura de imágenes a color) y un módulo de control 30 encargado de sincronizar la captura de imágenes con la iluminación. El filete de pescado 1 a inspeccionar se deposita en una zona de inspección 2, por ejemplo una bandeja. El sistema comprende unos medios de procesamiento 40 (que incluyen por ejemplo un procesador) que se encargan de analizar las imágenes capturadas para detectar los anisakis. Dichos medios de procesamiento pueden formar parte del módulo de control 30 o estar incluidos en una unidad separada. También se muestra en la Figura 1 un módulo de visualización 50, el cual es opcional, donde se muestran las imágenes una vez analizadas por los medios de procesamiento 40.
El sistema se coloca sobre una mesa o banco de trabajo. Los filetes de pescado 1 se depositan manualmente en la bandeja de inspección 2. El sistema captura imágenes de la escena. Estas imágenes son almacenadas y etiquetadas de acuerdo con el ajuste realizado por el operador mediante un interface/pantalla táctil que incorpora el sistema.
Una vez que la imagen se captura, se procesa usando un conjunto de operaciones matemáticas basadas en modelos morfológicos y colorimétricos no lineales. Una vez que los Anisakis están siendo detectados e identificados, un modelo de correlación entre el tamaño del Anisakis en la imagen y su intensidad de color y longitud de onda se emplea para estimar el tamaño real individual. Este proceso se lleva a cabo en paralelo en todo Anisakis detectado en el filete de pescado inspeccionado.
Cada Anisakis es señalado en la imagen. La imagen se analiza para extraer dos tipos de información:
Las posiciones o coordenadas de los Anisakis en el filete de pescado.
El tamaño de los Anisakis.
Estos dos parámetros individuales de cada anisakis detectado en un filete de pescado se almacenan en un archivo de datos, con información adicional, como la superficie total de filete, la superficie total de Anisakis, número de Anisakis presente en el filete, la especie de pescado analizado, la luz y los parámetros de configuración óptica, el tiempo de inspección y el identificador correspondiente al sistema que ha ejecutado el análisis.
El hardware de la presente invención se compone de un módulo de visión (que en una realización particular consiste en una cámara industrial RGB sin carcasa de alta resolución con sensor de 2/3 de pulgada. trabajando bajo protocolo de Ethernet GigE). una lente óptica fija, un sistema informático de control y todos los componentes eléctricos necesarios para la seguridad y la alimentación.
El sistema también dispone de un módulo de iluminación, formado por un conjunto de bloques de fuentes de luz basadas en LEO especiales de alta potencia, encapsulados en recipientes de protección IP67 con alto poder refrigerante. El diseño LED emisor proporciona potencia radiométrica superior a la iluminación neón en el rango de longitud de onda 10 específica requerida para esta aplicación . Cada elemento emisor tiene unas dimensiones muy reducidas (unos 4.4mm x 4.4mm), con lo que esta configuración ofrece una excepcional densidad de potencia óptica y minimiza los esfuerzos, lo que resulta en un módulo de iluminación altamente fiable, de muy bajo mantenimiento y alto control del flujo radiante. El objetivo de este módulo es garantizar las condiciones más adecuadas de iluminación para
15 capturar imágenes. La estructura que sujeta las fuentes de luz se puede ajustar, con el fin de adaptarse a las dimensiones de la zona de inspección, para asegurar la iluminación adecuada y homogénea del campo de visión.
El sistema está controlado por software desarrollado especificamente para esta aplicación.
20 Este software permite el control de la selección de parámetros de la cámara y permite que el programa de registro de imagen funcione automáticamente. También permite a la interfaz otras funcionalidades. El software implementa la siguiente funcionalidad:
Interface gráfica de usuario para la visualización de inspección y control (iniciar o
25 detener comandos, visualización de análisis de imagen, resultados de la inspección acumulativos, hora y la fecha, etc.)
Interfaz gráfica de usuario para la configuración del sistema (ajuste de banda de trabajo, modelo de color, umbral, la utilidad de diagnóstico de la cámara, el
30 etiquetado de inspección, etc.). Parámetros configurables:
- •
- Banda de trabajo: Ancho ajustable desde 230 a 700 nanómetros. Parámetro ajustable manualmente mediante combinación de filtros ópticos en los proyectores luminosos y en la lente del sensor óptico.
- •
- Selección del modelo de color con el que trabaja el sensor óptico:
- o HLS (Hue, Saturation, Lightness), que es un modelo de color establecido, que combina los componentes de Matiz, Saturación y Luminosidad .
- o RGB (Red, Green, Blue), que es un modelo de color basado en la
5 síntesis aditiva , capaz de obtener un color mediante la mezcla por adición de los tres colores de luz primarios, Rojo, Verde y Azul.
• Ajuste del umbral: Se trata de un ajuste numérico de la cantidad mínima de señal luminosa que necesita el sensor óptico del equipo para poder obtener una imagen con la calidad suficiente para ser analizada y
10 procesada por los algoritmos de detección de anisakis. Estos parámetros permiten ajustar el equipo para obtener la mejor captura de imagen para que los algoritmos de detección puedan trabajar con la mejor y más definida información posible.
15 Un modelo de identificación estructurado en una base de datos modelo, con toda la información paramétrica necesaria para la identificación y la estimación de los individuos,
Un módulo para la generación de análisis de datos en forma de un archivo de
20 texto, con un identificador de sistema de cabecera que incluye una entrada de cada Anisakis detectado y analizado, con la siguiente información: posición Anisakis coordenada en el filete de pescado, tamaño del Anisakis detectado, tamaño total del filete, superficie total de Anisakis detectados, número de la parasitosis por anisakis en filete, las especies de peces, etc.
25 Un módulo generador de informes y de comunicación inalámbrica con otros sistemas.
Para la captura automática de imágenes el filete de pescado es sometido a una iluminación
30 pulsada en periodos programables de duración (TON ) de 0,1 a 1 segundo, siendo el TOFF programable de 0,1 a 5 segundos con emisiones controladas dentro de una banda que puede oscilar de los 230 a los 700 nanómetros de longitud de onda y una irradiancia controlada de hasta 2 W/cm2• En el proceso de captura de la mejor imagen, la iluminación y sus características específicas de longitud de onda, potencia y pulso, son fundamentales
35 para que el sistema pueda detectar anisakis en filetes de pescado, no dañando los mismos,
lo que hace de esta invención un sistema detector de anisakis no destructivo. Los filetes de pescado escaneados pueden deteriorarse con algunas combinaciones de longitud de onda e irradiancia si la exposición es intensa y prolongada. La irradiancia elevada permite profundizar más en el filete de pescado, por lo que la utilización de pulsos controlados permite iluminar durante cortos periodos de tiempo, suficientes para que el sensor óptico pueda captar una buena imagen para procesar.
Un sistema electrónico sincroniza los pulsos del módulo de iluminación con las capturas del sensor óptico para realizar la captura en el momento más óptimo y así obtener la mejor imagen que permita el proceso para detectar la presencia de anisakis en el filete de pescado. El momento óptimo de captura depende de la longitud de onda e irradiancia programada en cada momento. El sistema selecciona automáticamente este momento y ordena al sensor óptico la captura.
Tras la captura automática de imágenes y mediante técnicas de segmentación de fondo, se extrae primero el fondo de la bandeja de inspección que no oculta el filete de pescado y seguidamente sobre el filete segmentado se extrae la silueta de cada anisakis detectado, a la que se le ajusta un patrón de muestreo para obtener indicadores precisos de la forma yel contorno del individuo o de trozos del mismo, propios del anisakis. Como pueden existir otros parásitos o elementos que, en alguno de los casos, presenten contorno y forma similar, se aplica el procesamiento de una red neuronal artificial para la identificación precisa del anisakis.
Las redes neuronales son una combinación de funciones matemáticas que simulan la manera en que las neuronas del cerebro se conectan entre si. De este modo, una red neuronal artificial puede ser entrenada mediante algoritmos iterativos para modelizar problemas de solución compleja, estableciendo una relación entre un espacio de características (en este caso toda la información obtenida a partir de la inspección de la silueta y color) con las diferentes clases (las diferentes formas detectadas en el filete de pescado, dentro del área de inspección).
La información adquirida por los sensores ópticos se deriva a unos medios de procesamiento encargados de detectar los elementos que correspondan al pescado.
Seguidamente se aplican unos algoritmos desarrollados en exclusiva para esta aplicación. En la detección, los algoritmos procesan la imagen y extraen una serie de parámetros de correlación, realizan un conteo de píxeles para poder extraer el área total por anisakis y calculan distancias para determinar la longitud y la anchura de cada anisakis detectado.
S Algunos de los parámetros básicos de correlación extraídos por los algoritmos son, para cada anisakis:
- •
- Área total.
- •
- Longitud total.
- •
- Anchura media. 10 • Intensidad detectada banda 700-600.
- •
- Intensidad detectada banda 600-550.
- •
- Intensidad detectada banda 550-450.
- •
- Intensidad detectada banda 450-400.
- •
- Intensidad detectada banda 400-230. 15 • Porcentaje presencia por banda de espectro.
Si bien las bandas espectrales empleadas en una realización preferida son las anteriormente indicadas (700-600: 600-550: 550-450: 450-400: 400-230), podrian emplearse otras bandas espectrales (en número y en límites, superior e inferior).
20 La invención se basa en correlación de parámetros de siluetas, estimación de volúmenes en espacios multidimensionales de representación de color a partir de las imágenes con detalles a diferentes longitudes de onda, y segmentación y filtrado de las imágenes capturadas.
25 Por tanto, a la hora de identificar los anisakis se requiere de un paso previo consistente en separar los individuos existentes del área de pescado ya segmentada. Esto conlleva realizar una nueva segmentación e identificación dinámica. Durante esta fase de pre-procesado las imágenes son sometidas a diferentes procesos de sustracción y umbralización que
30 conllevan diversas operaciones matemáticas.
La Figura 2 muestra, a modo de ejemplo y en blanco y negro, una zona ampliada de una imagen capturada 3 a color obtenida por los medios de captura del sistema de inspección de la presente invención, donde se aprecian anisakis 4 en el pescado 1. En dicha imagen se muestra en el extremo izquierdo el fondo 5 (en color negro), correspondiente a la bandeja de inspección 2.
La Figura 3A muestra una imagen capturada (ya sin el fondo 5) donde se ha extraído la 5 banda de color y la Figura 3B muestra la segmentación por banda de longitud de onda aplicada en la imagen de la Figura 3A, obteniendo una imagen binaria 6.
La Figura 4A muestra la misma imagen capturada de la Figura 3A donde se ha extraído la luminancia, y la Figura 4B muestra la segmentación por luminancia aplicada en la imagen 10 de la Figura 4A, obteniendo una imagen binaria 6.
La Figura 5B muestra la segmentación por saturación obtenida a partir de la imagen capturada mostrada en la Figura 5A. obteniendo una imagen binaria 6.
15 En cada segmentación se realizan cálculos para los tres procesos indicados anteriormente (saturación, luminancia y banda) y el sistema determina cuál de las tres técnicas ofrece una imagen con la segmentación más adecuada y robusta para segmentar el anisakis, analizando la linealidad y detalle de los contornos de las segmentaciones y eligiendo la más definida. La segmentación de cada imagen de filete de pescado implica la detección de los
20 contornos y regiones de la imagen correspondientes a anisakis.
Las componentes de luminancia y de saturación contienen toda la información sobre el color. Según el valor del grado de color o matiz, se obtiene el dominio del color de cada uno de los pixeles. En el caso que nos ocupa la luminancia la podemos definir como la densidad 25 superficial de flujo luminoso que emerge del filete de pescado cuando es iluminado. La saturación se define como la cromaticidad o intensidad del color, de forma que para un grado de color constante, azul por ejemplo, diferentes valores de la saturación producen pixeles azules, que van del azul intenso al azul débil. Con una saturación muy baja, tenemos un pixel acromático (negro, blanco o grisáceo), con una intensidad de gris según la
30 componente luminancia.
El método utilizado para distinguir entre los colores cromáticos y acromáticos se basa en un umbral de la componente de saturación. Se aplica a la segmentación realzando los pixeles cromáticos: para estos pixeles, la saturación se fija a 255 y la luminancia a 128. Sobre un
35 valor máximo de 255:
- -
- Si la saturación es mayor o igual al 20% y la luminancia mayor o igual al 75%, los pixeles se consideran cromáticos de alto brillo. -Si la saturación es menor del 20% y la luminancia mayor o igual al 75% se puede clasificar como blanco. -Si la luminancia es menor del 25% el pixel es negro.
Después de llevar a cabo los distintos procesos de segmentación y umbralización, se realiza una identificación por forma, para lo cual se utiliza un algoritmo basado en la correspondencia de patrones geométricos (Geometric Model Finder -GMF) frente a la tecnología convencional de búsqueda de patrones por correlación normalizada en escala de grises, la comúnmente denominada "NGC".
El algoritmo desarrollado reconoce la geometría de los anisakis utilizando una serie de curvas límite que no corresponden a una cuadrícula de píxeles y después busca formas similares en la segmentación de la imagen sin basarse en niveles específicos de gris. El resultado es una mejora en la capacidad de localizar anisakis con alta precisión.
La comparación con formas geométricas (patrones) de anisakis es difícil y compleja, ya que numerosas variables pueden alterar el modo en el que aparecen en la captura de imagen los posibles anisakis. La tecnología básica utilizada en estos casos se basa en un proceso de análisis pixel-cuadrícula (correlación normalizada). Este método para determinar la posición XIY busca una similitud entre una imagen de referencia en gris de un anisakis y los objetos en la imagen capturada. Este método limita tanto la capacidad para localizar anisakis como la precisión con la pueden localizarse en condiciones de aspecto variable y cambios en el ángulo, el tamaño y los tonos de los anisakis tal y como aparecen en los filetes de pescado. Para superar estas limitaciones, el equipo utiliza la tecnología GMF que conoce la geometría de un anisakis utilizando una serie de curvas límite que no corresponden a una cuadrícula de píxeles. Tras este proceso, busca formas similares en la imagen sin basarse en niveles específicos de gris. El resultado es una mejora en la localización de anisakis con precisión a pesar de los cambios de ángulo, tamaño y tono.
Para el desarrollo y creación del modelo basado en la correspondencia de patrones geométricos (GMF) se realiza un pre-tratamiento de las imágenes para eliminar ruido y también se realiza una umbralización a fin de obtener una imagen binaria con la silueta de
las diferentes configuraciones en las que se puede encontrar el anisakis en un filete de pescado.
Otros de los procesos que realiza el sistema es la clasificación de zonas mediante modelo de detección de intensidad en bandas que van desde los 230 a los 700 nanómetros. El modelo procesa y entrega niveles de intensidad y número de pixeles de cada una de las bandas en las que seccionamos el rango de frecuencia mencionado.
Tras la obtención de los datos procedentes de los algoritmos anteriores una red neuronal, como la mostrada en la Figura 6, incluye todas las características morfológicas, de silueta y de color de cada individuo. El procedimiento de extracción de estas características permite la identificación de un vector de entrada a la red neuronal con más de 30 parámetros que consigue una alta eficacia tras el entrenamiento y validación de la red. En concreto se utilizan un conjunto de más de 20 parámetros geométricos y 10 parámetros de intensidad y presencia en las longitudes de onda determinadas. Entre los distintos parámetros se considera:
- o Área total I Longitud total.
- o Área total! Ancho medio.
- o Longitud total I Ancho medio.
- o Intensidad por banda.
- o Porcentaje por banda.
El procedimiento de modelización sigue un esquema agregativo. Para este equipo se ha identificado la función de neurona base para la red. Seguidamente se ha definido la estructura (basada en la arquitectura del perceptrón multicapa), condicionada por el número de neuronas de entrada (las características) y de salida.
Con el fin de ofrecer una estimación del nivel de predicción de la red, se procede a la segmentación del rango numérico de salida de la red (entre O y 1, o 0% y 100%) en tres rangos, aplicándoles el etiquetado de índice de confianza previamente establecido: BAJA (O -60%), MEDIA (60 -80%) Y ALTA (80 -100%).
En aquellos casos en los que más de dos neuronas de salida presentan parámetros similares, la gradación se reduce en un nivel para la neurona con el valor más alto.
El método de entrenamiento utilizado sobre la red neuronal es el Resillient Backpropagation (RPROP). Este método es una variación dentro de la familia de algoritmos de retropropagación, basados en la regla de delta, y de primer orden de optimización. La convergencia y robustez de este algoritmo es superior a otros algoritmos de la misma 5 familia. RPROP utiliza parámetros independientes que controlan la velocidad con que se recorre la función objetivo para cada uno de los pesos de la red neuronal. RPROP tampoco se ve afectado por la saturación de las neuronas de la red neuronal, ya que solamente se usa la derivada para determinar la dirección en la actualización de pesos. Consecuentemente, converge más rápidamente que los algoritmos basados solo en
10 backpropagation.
Claims (20)
- REIVINDICACIONES1. Sistema de detección de parásitos Anisakis en filetes de pescado, donde el filete de pescado (1) a inspeccionar es depositado en una zona de inspección (2), caracterizado por 5 que el sistema comprende: -un módulo de iluminación (10) configurado para someter al filete de pescado (1) a una iluminación pulsada; -medios de captura de imágenes (20) configurados para capturar automáticamente una imagen (3) en color del filete de pescado (1) mientras es sometido a la iluminación 10 pulsada: -un módulo de control (30) configurado para sincronizar la captura de la imagen (3)con la iluminación pulsada; -medios de procesamiento (40) configurados para:• aplicar un proceso de segmentación sobre la imagen (3) capturada,15 obteniendo una imagen binaria (6) con la silueta de diferentes individuos que pueden corresponder a anisakis (4) en el filete de pescado (1):• realizar una identificación geométrica de cada individuo presente en la imagen binaria (6) mediante correspondencia de patrones geométricos, obteniendo parámetros geométricos de cada individuo;20 • extraer las características de intensidad y porcentaje de presencia por banda espectral de cada individuo, obteniendo parámetros de coloración de cada individuo;• introducir un vector de entrada con los parámetros geométricos y de coloración obtenidos para cada individuo en una red neuronal artificial que establece una relación entre las caracteristicas morfológicas, de silueta y de color de cada25 individuo con las características propias del anisakis, para estimar si el individuo es o no anisakis.
- 2. Sistema según la reivindicación 1, caracterizado por que el módulo de iluminación (10)está configurado para generar la iluminación pulsada en periodos programables con una 30 duración de encendido entre 0,1 a 1 segundo por pulso y una duración de apagado de entre
- 0.1 a 5 segundos por pulso.
- 3. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que el módulo de iluminación (10) está configurado para generar la iluminación pulsada dentro de una banda de longitud de onda entre 230 y 700 nanómetros.5 4. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que el módulo de iluminación (10) está configurado para generar la iluminación pulsada con una irradiancia controlada de hasta 2 W/cm2 .
- 5. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que el10 módulo de control (30) está configurado para realizar la sincronización de la captura de la imagen (3) con la iluminación pulsada en función de la longitud de onda e irradiancia programadas en el módulo de iluminación (10).
- 6. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que para15 la obtención de los parámetros de coloración, los medios de procesamiento (40) están configurados para clasificar la intensidad en distintas bandas de color comprendidas entre los 230 a los 700 nanómetros de longitud de onda .
- 7. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que los20 medios de procesamiento (40) están configurados para obtener las posiciones de los anisakis identificados en el pescado y el tamaño de los mismos.
- 8. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que elmódulo de iluminación (10) está formado por una pluralidad de emisores LED de alta 25 potencia.
- 9. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que, para la obtención de la imagen binaria (6), los medios de procesamiento (40) están configurados para:30 -extraer, de la imagen (3) capturada y mediante técnicas de segmentación de fondo, el fondo (5) que pertenece a la zona de inspección (2) no oculta por el filete de pescado (1), obteniendo una imagen segmentada del filete de pescado;
- -
- aplicar un proceso de umbralización sobre dicha imagen segmentada.
- 10. Sistema según cualquiera de las reivindicaciones anteriores, caracterizado por que los medios de procesamiento (40) están configurados para obtener la imagen binaria (6)5 mediante una cualquiera de las siguientes formas: -una segmentación por banda de longitud de onda; -una segmentación por luminancia; -una segmentación por saturación; -aplicar varias de las segmentaciones anteriores y elección de la segmentación que10 ofrece una imagen con los contornos de los individuos más definidos.
- 11. Método de detección de parásitos Anisakis en filetes de pescado, donde el filete de pescado (1) a inspeccionar es depositado en una zona de inspección (2), caracterizado por que el método comprende:15 -someter al filete de pescado (1) a una iluminación pulsada;
- -
- capturar automáticamente una imagen (3) en color del filete de pescado (1) mientras es sometido a la iluminación pulsada, estando la captura de la imagen (3) sincronizada con la iluminación pulsada;
- -
- aplicar un proceso de segmentación sobre la imagen (3) capturada, obteniendo una 20 imagen binaria (6) con la silueta de diferentes individuos que pueden corresponder a anisakis (4) en el filete de pescado (1);
- -
- realizar una identificación geométrica de cada individuo presente en la imagen binaria (6) mediante un proceso de correspondencia de patrones geométricos, obteniendo parámetros geométricos de cada individuo;
25 -extraer las características de intensidad y porcentaje de presencia por banda espectral de cada individuo, obteniendo parámetros de coloración de cada individuo;- -
- introducir un vector de entrada con los parámetros geométricos y de coloración obtenidos para cada individuo en una red neuronal artificial que establece una relación entre las características morfológicas, de silueta y de color de cada individuo con las
30 características propias del anisakis, para estimar si el individuo es o no anisakis. - 12. Método según la reivindicación 11, caracterizado por que la iluminación pulsada es deperiodos programables con una duración de encendido entre 0,1 a 1 segundo por pulso y una duración de apagado de entre 0,1 a 5 segundos por pulso.
-
- 13.
- Método según cualquiera de las reivindicaciones 11 a 12, caracterizado por que la iluminación pulsada está dentro de una banda de longitud de onda entre 230 y 700 nanómetros.
-
- 14.
- Método según cualquiera de las reivindicaciones 11 a 13, caracterizado por que la iluminación pulsada es con una irradiancia controlada de hasta 2 W/cm 2,
-
- 15.
- Método según cualquiera de las reivindicaciones 11 a 14, caracterizado por que la sincronización de la captura de la imagen (3) con la iluminación pulsada se realiza en función de la longitud de onda e irradiancia de la iluminación pulsada.
-
- 16.
- Método según cualquiera de las reivindicaciones 11 a 15, caracterizado por que para la obtención de los parámetros de coloración se clasifica la intensidad en distintas bandas de color comprendidas entre los 230 a los 700 nanómetros de longitud de onda.
-
- 17.
- Método según cualquiera de las reivindicaciones 11 a 16, caracterizado por que comprende obtener las posiciones de los anisakis identificados en el pescado y el tamaño de los mismos.
-
- 18.
- Método según cualquiera de las reivindicaciones 11 a 17, caracterizado por que la iluminación pulsada se realiza empleando una pluralidad de emisores LED de alta potencia.
-
- 19.
- Método según cualquiera de las reivindicaciones 11 a 18, caracterizado por que la obtención de la imagen binaria (6) comprende:
- -
- extraer, de la imagen (3) capturada y mediante técnicas de segmentación de fondo, el fondo (5) que pertenece a la zona de inspección (2) no oculta por el filete de pescado (1), obteniendo una imagen segmentada del filete de pescado;
- -
- aplicar un proceso de umbralización sobre dicha imagen segmentada.
- 20. Método según cualquiera de las reivindicaciones 11 a 19, caracterizado por que la obtención de la imagen binaria (6) se realiza mediante una cualquiera de las siguientes formas:
- -
- una segmentación por banda de longitud de onda;
5 -una segmentación por luminancia;- -
- una segmentación por saturación;
- -
- aplicar varias de las segmentaciones anteriores y elegir la segmentación que ofrece
una imagen con los contornos de los individuos más definidos.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201430789A ES2552405B1 (es) | 2014-05-27 | 2014-05-27 | Sistema y método de detección de parásitos Anisakis en filetes de pescado |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201430789A ES2552405B1 (es) | 2014-05-27 | 2014-05-27 | Sistema y método de detección de parásitos Anisakis en filetes de pescado |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2552405A1 ES2552405A1 (es) | 2015-11-27 |
| ES2552405B1 true ES2552405B1 (es) | 2016-09-14 |
Family
ID=54601448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201430789A Active ES2552405B1 (es) | 2014-05-27 | 2014-05-27 | Sistema y método de detección de parásitos Anisakis en filetes de pescado |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2552405B1 (es) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CL2016002664A1 (es) | 2015-10-22 | 2018-01-05 | Intervet Int Bv | Un método para monitoreo automático de piojos de mar en acuicultura del salmón |
| EP3726971A1 (en) | 2017-12-20 | 2020-10-28 | Intervet International B.V. | System for external fish parasite monitoring in aquaculture |
| WO2019121854A1 (en) | 2017-12-20 | 2019-06-27 | Intervet International B.V. | Method and system for external fish parasite monitoring in aquaculture |
| CA3084287A1 (en) | 2017-12-20 | 2019-06-27 | Intervet International B.V. | System for external fish parasite monitoring in aquaculture |
| AU2018387713B2 (en) | 2017-12-20 | 2024-08-08 | Intervet International B.V. | System for external fish parasite monitoring in aquaculture |
| CN116034917B (zh) | 2017-12-20 | 2026-01-13 | 英特维特国际股份有限公司 | 用于水产养殖中的鱼外部寄生虫监测的方法和系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6061086A (en) * | 1997-09-11 | 2000-05-09 | Canopular East Inc. | Apparatus and method for automated visual inspection of objects |
| US20070238147A1 (en) * | 2006-03-24 | 2007-10-11 | Nippon Suisan Kaisha, Ltd. | Method of detecting foreign matter |
| US9522396B2 (en) * | 2010-12-29 | 2016-12-20 | S.D. Sight Diagnostics Ltd. | Apparatus and method for automatic detection of pathogens |
-
2014
- 2014-05-27 ES ES201430789A patent/ES2552405B1/es active Active
Also Published As
| Publication number | Publication date |
|---|---|
| ES2552405A1 (es) | 2015-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2552405B1 (es) | Sistema y método de detección de parásitos Anisakis en filetes de pescado | |
| CN112005312B (zh) | 伤口成像和分析 | |
| Abd Aziz et al. | A review on computer vision technology for monitoring poultry farm—application, hardware, and software | |
| Hong et al. | Visual quality detection of aquatic products using machine vision | |
| Zion et al. | Real-time underwater sorting of edible fish species | |
| CN103278464B (zh) | 鱼肉检测方法和装置 | |
| ES2519117T3 (es) | Método y sistema para la identificación de artículos | |
| CN106163381B (zh) | 信息处理设备、信息处理系统和程序 | |
| CN109492714A (zh) | 图像处理装置及其方法 | |
| Çınar et al. | Determination of effective and specific physical features of rice varieties by computer vision in exterior quality inspection | |
| JPWO2019151393A1 (ja) | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 | |
| Wold et al. | Detection of parasites in cod fillets by using SIMCA classification in multispectral images in the visible and NIR region | |
| JP2020532783A (ja) | 流れを視覚化するための機械学習を使用したスペックルコントラスト分析 | |
| Stevens | Avian vision and egg colouration: concepts and measurements | |
| Park et al. | Line-scan imaging analysis for rapid viability evaluation of white-fertilized-egg embryos | |
| CN116964435A (zh) | 有问题的细胞实体的基于荧光的检测 | |
| Issac et al. | An automated computer vision based preliminary study for the identification of a heavy metal (Hg) exposed fish-channa punctatus | |
| JP6362744B2 (ja) | 機能性光源を用いた検査装置と検査方法及び機能性光源とその設計方法 | |
| CN121942007A (zh) | 用于减小全局和局部光照变化下的图像可变性的方法 | |
| Coelho et al. | A machine vision system for automatic detection of parasites Edotea magellanica in shell-off cooked clam Mulinia edulis | |
| Ayunie Ahmad Khairudin et al. | Image segmentation using k-means clustering and otsu’s thresholding with classification method for human intestinal parasites | |
| CN116465840A (zh) | 一种陈皮年份快速鉴别的装置及方法 | |
| ES2428215A1 (es) | Método implementado por ordenador para reconocimiento y clasificación de células sanguíneas anormales y programas informáticos para llevar a cabo el método | |
| Qin et al. | Research on the nondestructive detection of egg freshness based on image processing | |
| Sulej et al. | Long-term changes in eggshell appearance in Lanius collurio (Red-backed Shrike): Implications for declining Cuculus canorus (Common Cuckoo) parasitism |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG2A | Definitive protection |
Ref document number: 2552405 Country of ref document: ES Kind code of ref document: B1 Effective date: 20160914 |