hfbHealth, Food & BiotechnologyHealth, Food & Biotechnology2712-7648РОСБИОТЕХ10.36107/hfb.2019.i4.s277hfb-50Research ArticleПИТАНИЕFOODИзучение влияния использования технического зрения на показатели качества оманской халвыStudy of the Impact of the Use of Technical Vision on the Quality Indicators of Omani HalvaАль БалушиИ.Al BalushiI.S.D.

Аль Балуши Имад

125080, Москва, Волоколамское шоссе, дом 11

Imad Saleh Darwish Al Balushi

11 Volokolamskoe highway, Moscow, 125080, Russian Federation

imad8999@gmail.comБлаговещенскийИ. Г.BlagoveshchenskyI. G.

Благовещенский Иван Германович

125080, Москва, Волоколамское шоссе, дом 11

Ivan G. Blagoveshchensky

11 Volokolamskoe highway, Moscow, 125080, Russian Federation

igblagov@mgupp.ruБлговещенскаяМ. М.BlagoveshchenskayaM. M.

Благовещенская Маргарита Михайловна

125080, Москва, Волоколамское шоссе, дом 11

Margarita M. Blagoveshchenskaya

11 Volokolamskoe highway, Moscow, 125080, Russian Federation

mmb@mgupp.ruСумеринВ. А.SoumerinV. A.

Сумерин Вячеслав Андреевич

125080, Москва, Волоколамское шоссе, дом 11

Viatcheslav A. Soumerin

11 Volokolamskoe highway, Moscow, 125080, Russian Federation

v_soumerin@mail.ruФГБОУ ВО «Московский государственный университет пищевых производств»РоссияMoscow State University of Food ProductionRussian Federation201905052021143952Copyright © Аль Балуши И., Благовещенский И.Г., Блговещенская М.М., Сумерин В.А., 20202020Аль Балуши И., Благовещенский И.Г., Блговещенская М.М., Сумерин В.А.Al Balushi I., Blagoveshchensky I.G., Blagoveshchenskaya M.M., Soumerin V.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.hfb-journal.ru/jour/article/view/50

Статья посвящена методам и способам повышения качества производства оманских десертов (халвы) за счет использования системы технического зрения для автоматизации контроля показателей качества с возможностью управления производством данного продукта. Показано, что в процессе производства оманской халвы возникают проблемы со стабильностью показателей качества используемого сырья, что влияет на качество готовой халвы. Поэтому проведен системный анализ объекта автоматизации - линии производства оманской халвы. Дан анализ особенностей всех этапов ее производства, а также протекающих в них информационных процессов. Представлена характеристика основных стадий производства оманской халвы. Сделан всесторонний анализ наиболее важных контролируемых в процессе производства органолептических показателей качества оманской халвы. Рассмотрены и проанализированы существующие методы и средства этих показателей. Представлены недостатки лабораторного органолептического контроля. Выбраны и обоснованы наиболее информативные органолептические показатели контроля качества сырья, используемого при производстве оманской халвы: размер (форма), цвет и состояние поверхности. Эти показатели необходимо контролировать в процессе производства оманской халвы. Показано, что существующие в настоящее время методы оценки этих показателей качества субъективны и определяются только экспертами путем лабораторных измерений. Рассмотрены и проанализированы существующие инструментальные методы и средства автоматического контроля в потоке этих показателей. Обзор и анализ полученных в проведенном исследовании данных показал невозможность использования имеющихся методов и средств для автоматизации контроля выбранных показателей в потоке при производстве оманской халвы. Проанализирована возможность использования систем технического зрения для автоматизации контроля выбранных органолептических показателей качества оманской халвы. Проведенные исследования позволили сделать вывод о перспективности использования для этих целей системы технического зрения. Представлен состав типовой системы технического зрения. Проанализированы решения по выбору различных типов объективов для решения самых разных задач и предложены наиболее перспективные объективы для решения намеченных задач. Исследован и проанализирован один из самых важных этапов СТЗ - обработка изображения.

Выбран наиболее эффективный для решения поставленных задач алгоритм обработки полученного изображения. Представлены различные уровни изображения и рассмотрено их влияние на качество получаемого результата при контроле сыпучего сырья в потоке. Используя выбранный алгоритм, были проведены экспериментальные исследования определения размеров орехов, яблок, апельсинов, клубники, фиников, т.е. сырья, используемого при производстве оманской халвы. Показана перспективность применения 3-мерного анализа изображений для получения высокоэффективной информации об органолептических показателях качества пищевого сыпучего сырья, используемого при производстве оманской халвы.

The article is devoted to methods and methods of improving the quality of production of Omani desserts (halva) by using a technical vision system to automate quality control with the ability to control the production of this product. It is shown that during the production of Omani halva, problems arise with the stability of the quality indicators of the raw materials used, which affects the quality of the finished halva. Therefore, a system analysis of the automation object - the production line of Omani halva was carried out. The analysis of features of all stages of its production, as well as information processes occurring in them, is given. The characteristic of the main stages of production of Omani halva is presented. A comprehensive analysis of the most important organoleptic quality indicators of Omani halva controlled in the production process is made. The existing methods and tools of these indicators are considered and analyzed. Disadvantages of laboratory organoleptic control are presented. The most informative organoleptic indicators of quality control of raw materials used in the production of Omani halva are selected and justified: size (shape), color and surface condition. These indicators must be monitored during the production of Omani halva. It is shown that currently existing methods for evaluating these quality indicators are subjective and are determined only by experts through laboratory measurements. The existing instrumental methods and means of automatic control in the flow of these indicators are considered and analyzed. The review and analysis of the data obtained in the conducted study showed that it is impossible to use existing methods and tools to automate the control of selected indicators in the flow during the production of Omani halva. The possibility of using technical vision systems to automate the control of selected organoleptic quality indicators of Omani halva is analyzed. The conducted research allowed us to conclude that the use of the technical vision system for these purposes is promising. The composition of a typical technical vision system is presented. The solutions for choosing different types of lenses for solving various tasks are analyzed and the most promising lenses for solving the planned tasks are proposed. One of the most important stages of the technical vision system - image processing-has been studied and analyzed. The most effective algorithm for processing the resulting image was selected. Various image levels are presented and their influence on the quality of the result obtained when controlling bulk raw materials in the flow is considered.

Using the chosen algorithm, experimental studies were conducted to determine the size of nuts, apples, oranges, strawberries, dates, i.e. raw materials used in the production of Omani halva. The prospects of using 3-dimensional image analysis to obtain highly effective information about organoleptic indicators of the quality of food bulk raw materials used in the production of Omani halva are shown.

качествооманская халваавтоматизация производствасистема технического зренияорганолептические показателиqualityOmani halvaproduction automationtechnical vision systemorganoleptic indicatorsReferencesАнтипов, С. Т., Кретов, И. Т., & Остриков, А.Н. (2009). Машины и аппараты пищевых производств. КолосС.Agoston, M. K. (2004). Computer Graphics and Geometric Modeling. Springer.Балыхин, М. Г., Благовещенская, М. М., Благовещенский, И. Г., Макаровская, З. В., & Назойкин, Е. А. (2019). Автоматизация вакуумной сублимационной сушки продукции с использованием метода комбинированного управления. Известия высших учебных заведений. Технология текстильной промышленности, 2(380), 133-137.Ali, S. M. (2013). Gap-Filling Restoration Methods for ETM+ Sensor Images. Iraqi Journal of Science, 54(1),206-214.Балыхин, М. Г., Борзов, А. Б., & Благовещенский, И. Г. (2017). Архитектура и основная концепция создания интеллектуальной экспертной системы контроля качества пищевой продукции. Пищевая промышленность, 11, 60 - 63.Antipov, S. T., Kretov, I. T., Ostrikov, A. N. (2009). Mashiny i apparaty pishchevyh proizvodstv [Machines and equipment for food production]. KolosS.Балыхин, М. Г., Борзов, А. Б., & Благовещенский, И. Г. (2017). Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий. Франтера.Balykhin, M. G., Blagoveshchenskaya, M. M., Blagoveshchenskiy,I. G., Makarovskaya, Z V., & Nazoykin,E.A. (2019). Automation of vacuum freeze-drying products using the combined control method. Izvestiya vysshih uchebnyh zavedenij. Tekhnologiya tekstil’noj promyshlennosti [News of higher educational institutions.Technology of the textile industry], 2(380), 133-137.Битюков, В. К., Хвостов, А. А., & Ребриков, Д. И. (2008). Экспертная система определения цветовых характеристик хлебобулочных изделий. В Системы управления и информационные технологии, 4 (с. 138 – 141).Balykhin, M. G., Borzov, A. B., & Blagoveshchenskiy, I. G. (2017). The architecture and basic concept of creating an intelligent expert system of food quality control. Pishchevaya promyshlennost’[Food industry], 11, 60 - 63.Благовещенская, М. М. (2009). Основы стабилизации процессов приготовления многокомпонентных пищевых масс. Франтера.Balykhin, M. G., Borzov, A. B., & Blagoveshchenskiy, I. G. (2017). Methodological foundations of creating expert systems for monitoring and forecasting the quality of food products using intelligent technologies. Frantera.Благовещенская, М. М., & Злобин, Л. А. (2005). Информационные технологии систем управления технологическими процессами. Высшая школа.Benosman, R. (2001). Panoramic vision : Sensors, theory. New York. XXIV.Благовещенская М.М., Сантон Куннихан М.П. (2017). Структура систем управления дозирования с использованием нейронных сетей. В Общеуниверситетская студенческая конференция студентов и молодых ученых «День науки» (c. 263 – 267).Bityukov, V. K., Khvostov, A. A., & Rebrikov, D. I. (2008). Expert system for determining the color characteristics of bakery products. In Sistemy upravleniya i informacionnye tekhnologii [Management Systems and Information Technologies](pp. 138 – 141).Благовещенский, И. Г., Макаровская, З. В., Благовещенская, М. М., Чувахин, С. В., & Митин, В. В. (2019). Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулирования процесса формования гранулированных пищевых масс. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 71 – 75).Blagoveshchenskaya, M. M. (2009). Basics of stabilization of the preparation of multicomponent masses. Frantera.Драгилев, А. И., & Маршалкин, Г. А. (2005). Основы кондитерского производства. ДеЛи Принт.Blagoveshchenskiy, I. G., Makarovskaya, Z. V., Blagoveshchenskaya, M. M., Chuvakhin, S. V., & Mitin, V. V. (2019). Using a digital video camera as an intelligent sensor of an automatic control system for the molding of granular food masses. In Intellektual’nye sistemy i tekhnologii v otraslyah pishchevoj promyshlennosti [Intelligent systems and technologies in the food industry branches] (pp. 71-75).Зубченко, А. В. (2001). Технология кондитерского производства. ВГТА.Blagoveshchenskaya, M. M., Santon Kunnikhan, M. P. (2017). The structure of dosing control systems using neural networks. In Obshcheuniversitetskaya studencheskaya konferenciya studentov i molodyh uchenyh «Den’ nauki» [University Conference of Students and Young Scientists “Science Day”] (pp. 263 – 267).Крылова, Л. А., Благовещенский, В. Г., & Татаринов, А .В. (2017). Разработка интеллектуальных аппаратно- программных комплексов мониторинга процессов сепарирования дисперсных пищевых масс на основе интеллектуальных технологий. В Развитие пищевой и перерабатывающей промышленности России: кадры и наука (с.199 – 201). Издательский комплекс МГУПП.Fattal, R. (2007). Image upsampling via imposed edges statistics. ACM Transaction on Graphics, 26(3), Article 95. http://doi.acm.org/10.1145/1239451.1239546Лурье, И. С. (1989). Технология и технологический контроль кондитерского производства. Легкая и пищевая промышленность.Fisher, R. A. (2006). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics.Петров, А. Ю., Благовещенская, М. М., Благовещенский, В. Г., Ионов, А. В., & Благовещенский, И. Г. (2019). Главные принципы при построении системы компьютерного зрения в хлебопекарной промышленности. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 121 – 126).Garcia, L. A., Arguesso, F., Garcia, A. I., & Diaz, M. (1995). Application of neural networks for controlling and predicting quality parameters in beer fermentation. Journal of industrial microbiology, 5, 28 – 35.Петряков, А. Н., Благовещенская, М. М., Благовещенский, В Г., Митин, В. В., & Благовещенский, И. Г. (2019). Повышение качества идентификации и позиционирования объекта на цифровых стерео изображениях при помощи алгоритмов построения карты глубины. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 133 – 138).Gardner J., & Bartlett P. (1998). Electronic Noses: Principles and Applications. Oxford University Press.Петряков, А. Н., Благовещенская, М. М., Благовещенский, В. Г., & Крылова, Л. А. (2018). Применение методов объектно-ориентированного программирования для контроля показателей качества кондитерской продукции. Кондитерское и хлебопекарное производство, 5-6(176), 21-23.Gorban, A. N. (2007). Principal Manifolds for Data Visualisation and Dimension Reduction. Springer.Савостин, С. Д., Благовещенская, М. М., & Благовещенский, И. Г. (2016). Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий. Франтера.Komarinskiy, S. (2008). The Cognitive Visualization System. In Astronomical Data Analysis Software and Systems (ADASS) XVII (pp. 252 – 386).Шторх, Л. В. (2013). Совершенствование технологии хлеба для школьного питания с применением автоматизированной системы контроля цвета изделий: Автореф. дис. ... канд. техн. наук.ВГУИТ.Krylova, L. A., Blagoveshchenskiy, V. G., & Tatarinov, A.V. (2017). Development of intelligent hardware and software systems for monitoring the separation of dispersed food masses based on intelligent technologies. In Razvitie pishchevoj i pererabatyvayushchej promyshlennosti Rossii: kadry i nauka [The Development of the Food and Processing Industry of Russia: Personnel and Science] (pp. 199–201). Publishing complex MGUPP.Agoston, M. K. (2004). Computer Graphics and Geometric Modeling. Springer.Legin, A., Rudnitskaya, A., Vlasov, Yu., Di Natale, C., & D’Amico, A. (1999). Sensors and Actuators. West Publishing Company.Ali, S. M. (2013). Gap-Filling Restoration Methods for ETM+ Sensor Images. Iraqi Journal of Science, 54(1),206-214.Lurie I.S. (1989). Tekhnologiya i tekhnologicheskij kontrol’ konditerskogo proizvodstva [Technology and technological control of confectionery production](pp. 243 – 318). Legkaya i pishchevaya promyshlennost’.Benosman, R. (2001). Panoramic vision : Sensors, theory. New York. XXIV.Newton, D. E. (2007). Food Chemestry. Facts On File.Blagoveshchenskiy, I. G., Sulimov, V. D., Shkapov, P. M., & Blagoveshchenskay, M. M. (2018). Hybrid algorithms for optimization and diagnostics of hydromechanical systems used in food production biotechnology. In Materials Science and Engineering «Fundamental and Applied Problems of Mechanics – 2017», 012039 - 012048.Petrov, A. Yu., Blagoveshchenskaya, M. M., Blagoveshchenskiy, V. G., Ionov, A. V., & Blagoveshchenskiy, I. G. (2019). The main principles in building a computer vision system in the baking industry. In Intellektual’nye sistemy i tekhnologii v otraslyah pishchevoj promyshlennosti [Intelligent systems and technologies in the food industry industries] (pp. 121 – 126).Fattal, R. (2007). Image upsampling via imposed edges statistics. ACM Transaction on Graphics, 26(3), Article 95. http://doi.acm.org/10.1145/1239451.1239546Petryakov, A. N., Blagoveshchenskaya, M. M., Blagoveshchensky, V. G., & Krylova, L. A. (2018). The use of object-oriented programming methods to control the quality indicators of confectionery products. Konditerskoye i khlebopekarnoye proizvodstvo [Confectionery and bakery production],5 – 6 (176), 21-23.Fisher, R. A. (2006). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics.Petryakov, A. N., Blagoveshchenskaya, M. M., Blagoveshchenskiy, V. G., Mitin, V. V., & Blagoveshchenskiy, I. G. (2019). Improving the quality of identification and positioning of an object in digital stereo images using depth mapping algorithms. In Intellektual’nye sistemy i tekhnologii v otraslyah pishchevoj promyshlennosti [Intelligent systems and technologies in the food industry industries] (pp. 133 – 138).Garcia, L. A., Arguesso, F., Garcia, A. I., & Diaz, M. (1995). Application of neural networks for controlling and predicting quality parameters in beer fermentation. Journal of industrial microbiology, 5, 28 – 35.Savostin, S. D., Blagoveshchenskaya, M. M., & Blagoveshchenskiy, I. G. (2016). Avtomatizaciya kontrolya pokazatelej kachestva muki v processe razmola s ispol’zovaniem intellektual’nyh tekhnologij [Automation of control of flour quality indicators during grinding using intelligent technologies]. Frantera.Gardner J., & Bartlett P. (1998). Electronic Noses: Principles and Applications. Oxford University Press.Semenov, G. V., Krasnova, I. S., Suvorov, O. A., Shuvalova, I. D., & Posokhov, N. D. (2015). Influence of freezing and drying on phytochemical properties of various fruit. Biosciences Biotechnology Research Asia,12(2), 1311-1320.Gorban, A. N. (2007). Principal Manifolds for Data Visualisation and Dimension Reduction. Springer.Semenov, G. V., Tikhomirov, A. A., & Krasnova, I. S. (2016). The choice of the parameters of vacuum freeze drying to Thermolabile materials with desired quality level. International Journal of Applied Engineering Research, 11(13), 8056-8061.Komarinskiy, S. (2008). The Cognitive Visualization System. In Astronomical Data Analysis Software and Systems (ADASS) XVII (pp. 252 – 386).Storch L.V. (2013). Sovershenstvovanie tekhnologii hleba dlya shkol’nogo pitaniya s primeneniem avtomatizirovannoj sistemy kontrolya cveta izdelij [Improving the technology of bread for school meals using an automated color control system for products] : Abstract. dis. ... cand. tech. Sciences. VGUIT.Legin, A., Rudnitskaya, A., Vlasov, Yu., Di Natale, C., & D’Amico, A. (1999). Sensors and Actuators. West Publishing Company.Sun, D. W. (2008). Modern Techniques for food authentication. Academic Press.Newton, D. E. (2007). Food Chemestry. Facts On File.Tikhomirov, A. A., & Matison, V. A. (2016). A study on the problem of customer relation ship-oriented design food. Research Journal of Pharmaceutical, Biological and Chemical Sciences, 7(4), 2680-2690.Semenov, G. V., Krasnova, I. S., Suvorov, O. A., Shuvalova, D., & Posokhov, N. D. (2015). Influence of freezing and drying on phytochemical properties of various fruit. Biosciences Biotechnology Research Asia,12(2), 1311-1320.Tikhomirov, A. A., & Matison, V. A. (2016). On the application of consumer evaluation in developing new food products. International Journal of Applied Business and Economic Research, 14(14), 735-746.Semenov, G. V., Tikhomirov, A. A., & Krasnova, I. S. (2016). The choice of the parameters of vacuum freeze drying to Thermolabile materials with desired quality level. International Journal of Applied Engineering Research, 11(13), 8056-8061.Wilson, C. I., & Threapleton L. (2003). Application Of Artificial Intelligence For Predicting Beer Flavours From Chemical Analysis. In European Brewery Convention (pp. 18 – 25).Sun, D. W. (2008). Modern Techniques for food authentication. Academic Press.Sun, D. W. (2008). Modern Techniques for food authentication. Academic Press.Tikhomirov, A. A., & Matison, V. A. (2016). A study on the problem of customer relation ship-oriented design food. Research Journal of Pharmaceutical, Biological and Chemical Sciences, 7(4), 2680-2690.Tikhomirov, A. A., & Matison, V. A. (2016). A study on the problem of customer relation ship-oriented design food. Research Journal of Pharmaceutical, Biological and Chemical Sciences, 7(4), 2680-2690.Tikhomirov, A. A., & Matison, V. A. (2016). On the application of consumer evaluation in developing new food products. International Journal of Applied Business and Economic Research, 14(14), 735-746.Tikhomirov, A. A., & Matison, V. A. (2016). On the application of consumer evaluation in developing new food products. International Journal of Applied Business and Economic Research, 14(14), 735-746.Wilson, C. I., & Threapleton L. (2003). Application Of Artificial Intelligence For Predicting Beer Flavours From Chemical Analysis. In European Brewery Convention (pp. 18 – 25).Wilson, C. I., & Threapleton L. (2003). Application Of Artificial Intelligence For Predicting Beer Flavours From Chemical Analysis. In European Brewery Convention (pp. 18 – 25).

The authors declare that there are no conflicts of interest present.