BR112015012978B1

BR112015012978B1 - Sistema para o monitoramento de um tratamento térmico

Info

Publication number: BR112015012978B1
Application number: BR112015012978-1A
Authority: BR
Inventors: Ingo Stork (Genannt) Wersborg
Original assignee: Ingo Stork (Genannt) Wersborg
Priority date: 2012-12-04
Filing date: 2013-12-04
Publication date: 2021-03-30
Also published as: PT2928305T; JP2021139619A; MX2019008045A; JP2016502061A; CA2893601C; WO2014086486A2; AU2013354500B2; KR102099726B1; KR20150130262A; US20200178543A1; US20210259256A1; CN110235906A; MX2015006979A; CN105142408B; WO2014086486A3; RU2653733C2; EP2928305A2; EP2929252A1; EP3970500A3; CN105142408A

Abstract

sistema para o monitoramento de um tratamento por calor a presente invenção refere-se a um sistema para o monitoramento de um tratamento por calor compreendendo uma unidade de sensor tendo pelo menos um sensor para determi-nar os dados atuais de sensor de um alimento sendo aquecido; uma unidade de proces-samento para determinar os dados atuais de características a partir dos dados atuais de sensor; e uma unidade de monitoramento adaptada para determinar um estado de proces-so de aquecimento atual em um processo de aquecimento atual do alimento monitorado por intermédio da comparação dos dados atuais de características com os dados de refe-rência de características de um processo de aquecimento de referência.

Description

[001] A presente invenção refere-se a um sistema para o monitoramento de um tratamento térmico, em particular a um sistema de monitoramento para aquecimento, cozimento ou fabricação de alimentos a serem aquecidos tal como pão, massas ou similares.

[002] Muito provavelmente, o tratamento térmico de alimentos é realizado por seres humanos desde a invenção do fogo. Todavia, até o presente momento esta função ainda é controlada por um operador humano. O objetivo da presente invenção é automatizar o tratamento de alimentos e em particular o cozimento ou fabricação de pães de maneira que nenhuma interação humana seja necessária.

[003] Muitas invenções são conhecidas, as quais chegam próximas a este objetivo. Por exemplo, a patente alemã No. DE 10 2005 030483 descreve um forno para o tratamento térmico com um dispositivo de abertura que pode ser aberto ou fechado automaticamente. Na patente alemã No DE 20 2011 002570 um aparelho para o tratamento térmico de produtos alimentícios e para receber os mesmos em um transportador de alimentos é revelado. Este último é equipado com um sistema de controle para controlar um processo de tratamento para detectar o tipo e quantidade dos produtos. O controlador seleciona com dados predeterminados o desempenho de uma identificação automática dos produtos. Uma câmera externa à câmara de tratamento pode ser usada como um sensor.

[004] Na patente europeia No. EP 250 169 A1 é descrita uma porta de forno de cozimento a qual incorpora uma câmera para visualizar o revestimento interno da câmara de aquecimento ou de cozimento. A visualização é algo vantajoso para economizar perdas de energia criada por janelas visuais.

[005] O pedido de patente norte-americano publicado sob o No. US 2011/0123689 descreve um forno que compreende uma câmera e um sensor de distância com o objetivo de extrair características do produto para os processos de aquecimento.

[006] A patente alemã No. DE 20 2011 002 570 U1 descreve um sistema com aquisição de sensor em fornos.

[007] Todavia, ainda assim o tratamento térmico de alimentos, em particular no que diz respeito ao cozimento de pães em um forno, segue ajustes manuais e ocorre sob uma supervisão humana. Quando um operador humano coloca pão em um forno, propriedades importantes tais como temperatura, tempo e circulação devem ser ajustadas e estabelecidas. Usualmente, os ajustes são armazenados dentro de um banco de dados de programas de controle de forno. Um operador humano tem que escolher o programa apropriado e este fator ainda é uma fonte de erros e cria uma mão de obra humana com certo grau de conhecimento. Adicionalmente, muitos parâmetros de processos podem acarretar em um resultado final indesejado no que diz respeito ao produto alimentício. O pão pode ser pouco cozido ou muito cozido, mesmo que um programa correto tenha sido escolhido. Isto pode ser causado por intermédio de diferenças no preaquecimento do forno, na preparação da massa, na temperatura do lado de fora, na umidade no lado de fora, na distribuição de carga, nos tempos de abertura da porta do forno e muitos outros fatores. Ainda se requer uma mão de obra humana especializada para supervisionar o cozimento ou o tratamento térmico de alimentos.

[008] Adicionalmente, quando do processamento de alimentos, por exemplo, na fabricação de massa crua ou pré-cozida, os objetos sendo processados sofrem várias variações de processos. Devido à natureza de vários produtos alimentícios, os objetos sendo processados podem variar em: formato, cor, tamanho, e uma variedade de outros parâmetros. Esta é uma das principais ameaças no processamento industrial de gêneros alimentícios porque frequentemente os dispositivos de processamento têm que ser ajustados para compensar estas variações. Desta forma, é desejável automatizar as etapas de processamento industrial idealmente tornando os ajustes manuais desnecessários. Quando do cozimento, por exemplo, a mudança nas características da farinha, pode resultar em variações processuais severas dos dispositivos de processamento de massa industriais. Por exemplo, pode ser necessário adaptar os parâmetros de um liquidificador, de um divisor de massa, de dispositivos formadores de massa, de fabricação, de corte, de empacotamento, de um programa de cozimento de um forno ou de uma unidade de cozimento a vácuo.

[009] Para que um tal objetivo de cozimento ou de processamento de alimentos automatizado seja alcançado, se faz necessário proporcionar o sistema para o monitoramento correspondendo com os dados a partir de dispositivos de monitoramento adequados. Assim sendo, há uma necessidade para sistemas de monitoramento com dispositivos de monitoramento para a coleta de dados adequados.

[010] Para mercadorias cozidas em um forno, um sistema para o monitoramento com uma câmera pode ser usado para monitorar o processo de cozimento através de uma janela em um forno. Todavia, para a prevenção contra perdas térmicas causadas por intermédio da dissipação de calor através da janela, nos fornos convencionais tais janelas de checagem são feitas com vidro duplo, por exemplo, elas têm uma lâmina de vidro interna e uma lâmina de vidro externa. Assim sendo, a luz a partir do lado de fora do forno pode penetrar a lâmina de vidro externa e ser refletida na câmera por intermédio da lâmina de vidro interna, acarretando em imagens deturpadas da mercadoria cozida.

[011] Portanto, é desejável proporcionar um sistema para o monitoramento de um tratamento térmico o qual reduza os distúrbios de imagens das mercadorias cozidas capturadas através de uma janela com vidros duplos.

[012] Os dados de sistemas de processamento de alimentos no que diz respeito a estrutura do alimento processado deveriam ser obtidos sem a parada do processamento do gênero alimentício propriamente dito, com o objetivo de não reduzir a produção de saída. Portanto, é desejável ajustar os parâmetros dos dispositivos acima mencionados de um sistema de processamento de alimentos ou de qualquer outro dispositivo na área de processamento de alimentos, com base em técnicas de medição sem contato.

[013] Com o objetivo de gerar dados capturados por intermédio de dispositivos de monitoramento que sejam úteis para um processamento autômato de cozimento ou processamento de alimentos, é desejável proporcionar um método para classificar uma multiplicidade de imagens gravadas por intermédio dos dispositivos de monitoramento observando uma área de processamento de alimentos processados e proporcionar uma máquina usando o mesmo. Uma vez que os dados sejam adequadamente classificados, é desejável tomar vantagem da capacidade cognitiva com o objetivo de aumentar a flexibilidade, a qualidade e a eficiência da máquina de tratamento térmico. Isto pode ser adicionalmente separado nos seguintes objetivos:

[014] É desejável proporcionar um sistema que seja capaz de ganhar conhecimento por intermédio do aprendizado a partir de um especialista humano em como resumir informação relevante dentro do processamento de alimentos e de como operar um forno, no qual o sistema deveria demonstrar um comportamento razoável em situações desconhecidas e deveria ser capaz de aprender sem supervisão.

[015] É desejável proporcionar um sistema que aumente a eficiência por meio de um controle de realimentação do fornecimento de energia adaptando às mudanças no tempo de processamento e na manutenção de um estado desejado de processamento de alimentos.

[016] É desejável proporcionar um sistema que tenha a flexibilidade para funções individualmente diferentes de processamento de alimentos por intermédio da adaptação a tipos diferentes de alimentos ou funções de processamento.

[017] Estes objetivos são alcançados por meio de um sistema para o monitoramento de um tratamento térmico de acordo com as reivindicações anexas.

[018] Em particular, para a captação de imagens a partir de uma câmara de aquecimento (forno), é vantajoso usar uma iluminação em combinação com uma janela escurecida ou sombreada pelo lado de fora. Isto proporciona menos impacto causado pela luz do lado de fora ao processamento de imagem da fotografia no lado de dentro do forno. É recomendado que a janela seja sombreada por pelo menos 40%.

[019] No que diz respeito ao processamento industrial de alimentos, é vantajoso usar um gerador de linha a laser, ou outra fonte de luz, e um sensor de câmera, ou qualquer sensor ótico, para que se adquira informação sobre o alimento sendo processado. Com um procedimento também conhecido como triangulação a laser, uma linha de laser pode ser projetada por sobre um objeto de medição com o objetivo de obter as suas características.

[020] Adicionalmente, é vantajoso que o tratamento térmico de alimentos seja automatizado de tal maneira que nenhuma interação humana adicional seja necessária além de carregar e descarregar o forno ou a máquina de tratamento térmico. Todavia, mesmo esta etapa pode ser automatizada, se desejado for. Com o objetivo de fazer isto, a máquina de tratamento térmico precisa de uma câmara de tratamento que seja monitorada por uma câmera e equipada com um sensor de temperatura no lado de dentro da câmara de tratamento tal como um termômetro. Ao invés de usar uma câmera, uma disposição de elementos de pelo menos dois fotodiodos também pode ser usada. É vantajoso usar mais sensores adquirindo sinais relativos à umidade, tempo, ventilação, distribuição de calor, volume da carga, distribuição da carga, peso da carga, temperatura da superfície do alimento e temperatura interior do alimento tratado, no lado de dentro da câmara de tratamento. Os seguintes sensores podem assim ser aplicados: higrômetro, triangulação de lasers, sensores de temperatura de inserção, sensores acústicos, balanças, temporizadores e vários outros. Adicionalmente, sistemas de resfriamento fixados a qualquer sensor de calor aplicado podem ser aplicados. Por exemplo, isto pode ser um sistema de resfriamento elétrico a ar ou água tal como um refrigerador ou um ventilador Peltier, uma bomba de calor termoelétrica ou uma refrigeração de vapor - compressão, e vários outros.

[021] Adicionalmente, é vantajoso que em um processo de tratamento térmico de alimentos e em particular de alimentos em cozimento com uma máquina de tratamento térmico, tal como um forno com uma câmara de aquecimento, a temperatura no lado de dentro e a imagem interior da câmera ou de outros sensores, podem ser usadas para o controle de alimentação de energia ou parâmetros de tratamento. De acordo com a invenção, a imagem de câmera é adequada para a detecção de parâmetros relacionados à mudança de volume e/ou coloração do alimento durante o seu aquecimento. De acordo com uma máquina modelo ensinada ou fixada previamente, pode ser determinado com este método para a máquina de tratamento térmico, se o alimento tratado se encontra em um estado predefinido de processo desejado, e com um controle de laço fechado da energia do processo de tratamento térmico, o processo pode ser individualmente ajustado. O resultado desejado do processo pode ser alcançado com várias máquinas de tratamento térmico distribuído localmente, por intermédio da distribuição de parâmetros definidos pelas condições de processamento desejadas do alimento tratado. Adicionalmente, os sensores usados e os dados de processamento derivados, em particular a imagem da câmera, podem ser usados para determinar o tipo e a quantidade do alimento com base nas características dos dados e, assim sendo, iniciar as variantes do processamento apropriadas, automaticamente.

[022] De acordo com uma realização da presente invenção, um sistema para o monitoramento de um tratamento térmico compreende: uma máquina de tratamento térmico compreendendo uma câmara de aquecimento, uma janela com vidros duplos compreendendo uma janela para o lado de dentro (interna) e uma janela para o lado de fora (externa), e um aparelho de iluminação para iluminar o lado de dentro da câmara de aquecimento, e um aparelho de monitoramento montado para a máquina de tratamento térmico e compreendendo uma câmera para observar o lado de dentro da câmara de aquecimento através da janela do lado de dentro, em que a transmitância visível da janela do lado de fora é menor do que a transmitância visível da janela do lado de dentro para reduzir reflexos no interior da estrutura de janela com vidros duplos e os efeitos de iluminação do lado de fora sobre as imagens quando do processamento das imagens gravadas pela câmara. Preferivelmente, a janela do lado de fora é escurecida por intermédio de um revestimento. Preferivelmente uma lâmina de metal ou uma lâmina de sombreamento é aplicada na janela do lado de fora. Preferivelmente, a janela do lado de fora compreende um vidro sombreado. Preferivelmente a janela do lado de fora tem uma transmitância visível máxima de 60%. Preferivelmente, a janela com vidros duplos é uma janela de portal de máquina de tratamento térmico de um portal de máquina de tratamento térmico da máquina de tratamento térmico. Preferivelmente, o aparelho de monitoramento é adaptado para gerar imagens processadas com uma alta variação dinâmica (HDR) dos alimentos a serem tratados no interior da câmara de aquecimento. Preferivelmente, o aparelho de monitoramento adicionalmente compreende uma montagem para um invólucro e uma câmera sensor, em que a câmera é montada. Preferivelmente o invólucro é equipado com penetrações e ventiladores para proporcionar o resfriamento da câmera. Preferivelmente, a máquina de tratamento térmico é uma convecção ou um forno de deque tendo pelo menos duas bandejas arranjadas de uma maneira estocada. Preferivelmente, a câmera é inclinada de tal maneira em uma direção horizontal e/ou vertical no que diz respeito a janela de vidros duplos para ser adaptada para observar pelo menos duas bandejas ao mesmo tempo na forma de convecção ou de deque. Preferivelmente, o sistema para o monitoramento de tratamento térmico compreende pelo menos duas câmeras para observar cada uma das bandejas, separadamente. Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de controle adaptada para processar e para classificar as imagens de alimentos observadas pela câmera com base nos dados de treinamento para determinar um tempo para terminar o processo de aquecimento para o alimento. Preferivelmente, a unidade de controle é adaptada para parar o aquecimento da máquina de tratamento térmico quando o processo de aquecimento tenha chegado ao término. Preferivelmente, a unidade de controle é adaptada para abrir automaticamente a porta da máquina de tratamento térmico quando o processo de cozimento tenha chegado ao fim, ou em que a unidade de controle é adaptada para ventilar a câmara de aquecimento com ar frio ou com ar quando o processo de aquecimento tenha chegado ao término.

[023] De acordo com outra realização da presente invenção, um sistema para o monitoramento de tratamento térmico compreende uma unidade de sensor tendo pelo menos um sensor para determinar dados de sensor correntes do alimento sendo tratado; uma unidade de processamento para determinar os dados de características correntes a partir dos dados de sensor correntes; e uma unidade de monitoramento adaptada para determinar um estado corrente do processo de aquecimento em um processo de aquecimento corrente do alimento monitorado pela comparação dos dados de características correntes com os dados de características de referência de um processo de aquecimento de referência. Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de aprendizado adaptada para criar um mapeamento dos dados de sensor correntes para dados de características correntes e/ou para determinar dados de características de referência de um processo de aquecimento de referência com base nos dados de características de pelo menos um processo de aquecimento preliminar.

[024] Preferivelmente, a unidade de aprendizado é adaptada para criar um mapeamento dos dados de sensor correntes para os dados de características correntes por uma análise de variação de pelo menos um processo de aquecimento preliminar para reduzir a dimensionalidade dos dados de sensor correntes.

[025] Preferivelmente, a análise de variação compreende pelo menos uma análise do componente principal (PCA), um mapeamento de características isométricas (ISOMAP) ou uma análise linear discriminativa (LDA) ou uma técnica de redução de dimensionalidade.

[026] Preferivelmente a unidade de aprendizado é adaptada para determinar os dados de características de referência de um processo de aquecimento de referência pela combinação de dados de características predeterminados de um programa de aquecimento com um conjunto preliminar de dados de características de pelo menos um processo de aquecimento preliminar classificado como sendo parte de um conjunto preliminar pela preferência de um usuário.

[027] Preferivelmente, o sistema para o monitoramento de aquecimento térmico adicionalmente compreende uma unidade de gravação para gravar dados de características correntes de um processo de aquecimento corrente, em que a unidade de aprendizado é adaptada para receber os dados de características gravados a partir da unidade de gravação para serem usados como dados de características de um processo de aquecimento preliminar.

[028] Preferivelmente, a unidade de sensor compreende uma câmera gravando uma imagem em pixels do alimento sendo aquecido, em que os dados de sensor correntes da câmera correspondem aos dados de pixel correntes de uma imagem em pixel corrente. Preferivelmente, os dados em pixel correntes compreendem um primeiro dados em pixel correspondendo a uma primeira cor, um segundo dados em pixel correspondendo a uma segunda cor, e um terceiro dados em pixel correspondendo a uma terceira cor. Preferivelmente, a primeira, a segunda e a terceira cor corresponde a R, G e B, respectivamente. Preferivelmente, a câmera é adaptada para gerar imagens em pixel processadas HDR como dados em pixel correntes.

[029] Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de classificação adaptada para classificar o tipo de alimento a ser aquecido e escolher um processo de aquecimento de referência correspondendo ao tipo de alimento determinado.

[030] Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de controle adaptada para mudar um processo de aquecimento a partir de um processo de aquecimento preliminar para um processo de cozimento com base em uma comparação do estado corrente do processo de aquecimento determinado pela unidade de monitoramento com um estado predeterminado do processo de aquecimento. Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de controle adaptada para controlar uma unidade de exibição, sendo adaptada para indicar um tempo remanescente do processo de aquecimento com base em uma comparação do estado corrente do processo de aquecimento determinado por intermédio da unidade de monitoramento com um estado de processo de aquecimento predeterminado correspondendo a um ponto de término do aquecimento e/ou a imagens de exibição do lado de dentro da câmara de aquecimento.

[031] Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de controle adaptada para alertar um usuário de quando o processo de aquecimento deve ser terminado.

[032] Preferivelmente, o sistema para o monitoramento de tratamento térmico adicionalmente compreende uma unidade de controle adaptada para controlar um controle de temperatura de uma câmara de aquecimento, os meios para adaptar umidade na câmara de aquecimento por intermédio da adição de água ou de vapor, um controle do mecanismo de ventilação, os meios para adaptar a velocidade do ventilador, os meios para adaptar o diferencial de pressão entre a câmara de aquecimento e o respectivo ambiente, os meios para estabelecer um tempo dependente da curva de temperatura no interior da câmara de aquecimento, os meios para desempenhar e adaptar procedimentos diferentes de tratamento térmico como verificação ou cozimento, os meios para adaptar perfis de fluxo de gás interno no interior da câmara de aquecimento, os meios para adaptar a intensidade da emissão eletromagnética e de som dos respectivos emissores eletromagnéticos e de som para sondar e observar as propriedades do alimento a ser aquecido.

[033] Preferivelmente, pelo menos um sensor da unidade de sensor compreende pelo menos um dos seguintes: higrômetro, sensor de temperatura de inserção, sensor de temperatura da câmara de tratamento, sensores acústicos, balanças, temporizador, câmera, sensor de imagem, disposição de elementos de fotodiodos, uma analisador de gás do gás no lado de dentro da câmara de tratamento, os meios para determinar perfis de temperatura dos sensores de inserção de temperatura, os meios para determinar emissões de processos eletromagnéticos ou acústicos do alimento sendo tratado, como luz ou som sendo refletido ou emitido em resposta a emissora de luz ou de som ou de fontes, os meios para determinar os resultados a partir de medições em 3D do alimento a ser aquecido incluindo sistemas de câmera 3D ou estéreo ou radares, ou os meios para determinar o tipo ou a constituição ou o padrão ou as características óticas ou o volume ou a massa do alimento a ser tratado.

[034] De acordo com outra realização da presente invenção, um sistema para o monitoramento de tratamento térmico é proporcionado e compreende: uma unidade de tratamento térmico ou de cozimento para o cozimento ou a verificação de mercadorias ou alimentos a serem aquecidos ou uma linha de processamento de alimentos; uma unidade de distribuição de luz a laser para gerar um primeiro raio laser e um segundo raio laser para direcionar o primeiro raio laser e o segundo raio laser a uma posição do cozimento das mercadorias no interior da unidade de cozimento; uma primeira unidade de detecção de luz para detectar o reflexo do primeiro raio laser espalhada a partir da mercadoria em cozimento; uma segunda unidade de detecção de luz para detectar o reflexo do segundo raio laser espalhada a partir da mercadoria em cozimento; uma unidade de medição para determinar um perfil de altura das mercadorias em cozimento de acordo com as detecções da primeira unidade de detecção de luz e da segunda unidade de detecção; e uma unidade móvel para mudar uma distância entre a unidade de distribuição de luz de laser e as mercadorias em cozimento. Aqui, a unidade de distribuição de luz de laser preferivelmente compreende: uma primeira unidade geradora de luz de laser para gerar o primeiro raio laser; e uma segunda unidade geradora de luz de laser para gerar o segundo raio laser. Adicionalmente, a unidade de distribuição de luz de laser preferivelmente compreende: uma unidade de geração de luz de laser primária para gerar um raio laser primário; uma unidade ótica para gerar o primeiro raio laser e o segundo raio laser a partir do raio laser primário. A unidade ótica preferivelmente compreende: um espelho móvel e rotativo em direção ao qual o raio laser primário é direcionado para gerar o primeiro raio laser e o segundo raio laser; e um espelho, no sentido do qual o raio laser secundário é direcionado para gerar o segundo raio laser. O primeiro raio laser é preferivelmente direcionado em um sentido a uma primeira posição; o segundo raio laser é preferivelmente direcionado a uma segunda posição; um pedaço da mercadoria em cozimento é preferivelmente movido a partir da primeira posição para a segunda posição por intermédio da unidade móvel; e uma mudança do perfil de altura de o pedaço de mercadoria em cozimento é preferivelmente determinada por intermédio da unidade de medição. Preferivelmente, o primeiro raio laser é direcionado a uma primeira extremidade de um pedaço da mercadoria em cozimento e tem uma inclinação de menos do que 45° no que diz respeito a um suporte do pedaço de mercadoria em cozimento; o segundo raio laser é direcionado a uma segunda extremidade do pedaço de mercadoria em cozimento oposto a primeira extremidade e tem uma inclinação de menos de 45° no que diz respeito ao suporte; e o ângulo mínimo entre o primeiro raio laser e o segundo raio laser é maior do que 90°. Preferivelmente a unidade móvel é uma esteira mecânica que move as mercadorias em cozimento através da unidade de cozimento. Preferivelmente, a unidade de distribuição de luz de laser é localizada no interior da unidade de cozimento; e o primeiro raio laser e o segundo raio laser são direcionados diretamente a partir da unidade de distribuição de luz de laser em um sentido as mercadorias em cozimento. Preferivelmente, as unidades de geração de luz de laser são localizadas no lado de fora da unidade de cozimento; e os raios laser são direcionados em um sentido as mercadorias de cozimento por intermédio de espelhos refletores. Preferivelmente, as unidades de detecção de luz são localizadas no lado de fora da unidade de cozimento; e o reflexo dos raios laser é guiado para as unidades de detecção de luz por intermédio dos espelhos guiadores. Preferivelmente, os espelhos são aquecidos. Preferivelmente, o primeiro raio laser e o segundo raio laser são formados como um leque; e o reflexo do primeiro raio laser e do segundo raio laser é focado sobre a primeira e a segunda unidade de detecção de luz por intermédio de lentes. Preferivelmente, o sistema ótico constituído pela unidade de distribuição de luz de laser, pelas mercadorias em cozimento e pelas unidades de detecção de luz satisfaz o Princípio de Scheimpflug. Um método para o monitoramento de cozimento da presente invenção compreende as etapas de: processamento das mercadorias em cozimento em uma unidade de cozimento; mover as mercadorias em cozimento através da unidade de cozimento; gerar um primeiro raio laser e um segundo raio laser e direcionar o primeiro raio laser e o segundo raio laser até uma posição das mercadorias em cozimento no interior da unidade de cozimento; detectar o reflexo do primeiro raio laser espalhado a partir das mercadorias em cozimento; detectar o reflexo do segundo raio laser espalhado a partir das mercadorias em cozimento; e determinar um perfil de altura das mercadorias em cozimento de acordo com as detecções do primeiro e do segundo raio laser espalhados. Breve Descrição dos Desenhos

[035] Os desenhos anexos, que são aqui incluídos para proporcionar um entendimento adicional da invenção e são incorporados a mesma, constituem uma parte do presente pedido de patente, ilustram realizações da invenção e conjuntamente com a descrição servem para explicar o princípio da invenção. Nos desenhos:

[036] as Figuras 1A e 1B mostram uma vista esquemática se seção transversal e uma vista lateral esquemática de uma realização de um sistema para o monitoramento de tratamento térmico;

[037] as Figuras 2A e 2B ilustram as propriedades de reflexo de uma janela convencional de vidros duplos e uma janela de vidros duplos de uma realização de um sistema para o monitoramento de tratamento térmico;

[038] a Figura 3 mostra vistas esquemáticas de outro sistema para o monitoramento de tratamento térmico;

[039] a Figura 4 mostra uma vista esquemática de uma realização de um sensor de imagem;

[040] a Figura 5 mostra uma vista esquemática de outra realização de um sensor de imagem;

[041] as Figuras 6A e 6B mostram uma vista esquemática frontal e uma lateral de outra realização de um sistema para o monitoramento de tratamento térmico;

[042] a Figura 7 mostra uma vista esquemática de uma realização de uma câmara de aquecimento;

[043] a Figura 8 mostra uma vista esquemática de uma realização de um sistema de produção de alimentos;

[044] a Figura 9 mostra uma vista esquemática de uma realização de um sistema de produção de alimentos usando uma triangulação de lasers;

[045] a Figura 10 mostra uma vista esquemática de outra realização de um sistema de produção de alimentos usando uma triangulação de lasers;

[046] a Figura 11 mostra uma vista superior de uma realização de uma bandeja com indicação para o arranjo de massa;

[047] a Figura 12 mostra uma vista esquemática de uma realização de um sistema de sensores integrado em uma prateleira de forno;

[048] a Figura 13 mostra um fluxo de processamento de dados esquemáticos de uma realização de um sistema para o monitoramento de tratamento térmico;

[049] a Figura 14 mostra um laço cognitivo de percepção - ação para máquinas de produção de alimentos com sensores e com atuadores de acordo com a presente invenção;

[050] a Figura 15 mostra categorias de técnicas de redução de dimensionalidade linear e não linear;

[051] a Figura 16 mostra um mapeamento de dados de teste bidimensionais para um espaço tridimensional com um separador linear otimizado;

[052] a Figura 17 mostra uma arquitetura de acordo com a presente invenção e grupos de componentes para desenhar agentes para o processo de monitoramento ou controle de laço fechado em sistema de produção de gêneros alimentícios usando um modelo de caixa negra com sensores e com atuadores;

[053] a Figura 18A mostra uma vista esquemática de seção transversal de uma realização de um sistema para o monitoramento de tratamento térmico; e

[054] a Figura 18B mostra um diagrama em bloco de uma realização de um sistema para o monitoramento de tratamento térmico. Descrição Detalhada da Realização Preferida

[055] As Figuras 1A e 1B ilustram um sistema para o monitoramento de tratamento térmico 100 de acordo com uma realização da presente invenção. A Figura 1A ilustra uma vista esquemática de seção transversal superior do sistema para o monitoramento de tratamento térmico 100, ao passo que a Figura 1B ilustra uma vista esquemática frontal do mesmo.

[056] Conforme é ilustrado nas Figuras 1A e 1B, o sistema para o monitoramento de tratamento térmico ou sistema para o monitoramento de cozimento e/ou sistema para o monitoramento de verificação e/ou de cozimento 100 tem um forno 110 com uma câmara de forno ou der tratamento térmico 120, pelo menos uma janela de vidros duplos 130 em uma parede lateral do forno 110 e um aparelho de iluminação 140 no lado de dentro da câmara do forno 120.

[057] A máquina de tratamento térmico ou forno 110 pode ser qualquer forno que pode ser convencionalmente usado para cozinhar alimentos, em particular para o cozimento e/ou a verificação de pão. O forno pode cozinhar alimentos usando técnicas diferentes. O forno pode ser um forno do tipo de convecção ou um forno do tipo de radiação.

[058] A câmara de aquecimento ou forno 120 capta a maioria Don interior do forno 110. No lado de dentro da câmara do forno 120, o alimento é cozinhado. O alimento pode ser posicionado sobre um número diferente de bandejas, as quais podem ser suportadas nas paredes da câmara do forno. O alimento também pode ser posicionado sobre carretas móveis com várias bandejas, as quais podem ser movidas no lado de dentro da câmara de forno 120. No lado de dentro da câmara de forno 120, uma fonte de calor é proporcionada, a qual é usada para cozinhar o alimento. Adicionalmente, um sistema de ventilação também pode ser compreendido no lado de dentro da câmara de forno para distribuir o calor produzido por intermédio da fonte de calor mais igualmente.

[059] O lado de dentro do forno ou da câmara de aquecimento é iluminada por intermédio de um aparelho de iluminação 140. O aparelho de iluminação 140 pode ser arranjado no lado de dentro do forno ou da câmara de aquecimento conforme é mostrado na Figura 1A. O aparelho de iluminação 140 também pode ser localizado no lado de fora da câmara de forno 120 e iluminar a câmara de forno 120 através de uma janela. O aparelho de iluminação 140 pode ser qualquer dispositivo de emissão de luz convencional, por exemplo, uma lâmpada, uma lâmpada de halogênio, um fotodiodo ou uma combinação de vários desses dispositivos. O aparelho de iluminação 140 pode ser focado sobre o alimento a ser cozinhado no lado de dentro da câmara de forno 120. Em particular, o aparelho de iluminação 140 pode ser ajustado ou focado de tal maneira que haja um alto contraste entre o alimento a ser cozinhado e o entorno interior da câmara de forno 120 ou entre o alimento e a bandeja e/ou as carretas sobre as quais o alimento é localizado. Tal alto contraste também pode ser suportado ou gerado apenas por intermédio do uso de cores especiais no que diz respeito a luz emitida pelo aparelho de iluminação 140.

[060] Em uma parede da câmara de forno 120, é proporcionada uma janela. Com o objetivo de prevenir contra uma perda de calor para for a da câmara de forno 120, a janela é preferivelmente uma janela de vidros duplos 130 tendo uma folha de vidro externa ou uma janela do lado de fora 135 em uma folha de vidro interna ou janela do lado de dentro 136. A janela de vidros duplos 130 pode prevenir contra a dissipação de calor entre a janela do lado de dentro 136 e a janela do lado de fora 135 por intermédio de proporcionar um gás ou um vácuo especial entre a janela do lado de dentro 136 e a janela do lado de fora 135. A janela de vidros duplos 130 também pode ser resfriada por intermédio de ventilação a ar entre a janela do lado de dentro 136 e a janela do lado de fora 135 para prevenir contra o aquecimento da janela do lado de fora 135, em que nenhum gás ou vácuo especial é proporcionado entre a janela do lado de dentro 136 e a janela do lado de fora 135. O aparelho de iluminação 140 também pode ser proporcionado entre a janela do lado de dentro 136 e a janela do lado de fora 135. A superfície de vidro externa da janela do lado de fora 135 é menos quente e, assim sendo, é adequada para a montagem de uma câmera 160. Pode ser adicionalmente benéfico usar um túnel ótico entre a janela do lado de dentro 136 e a janela do lado de fora 135 porque outra vez isto reduz as reflexões e o impacto do calor.

[061] Através da janela de vidros duplos 130 um procedimento de cozinhar ou de cozimento no lado de dentro da câmara de forno 120 pode ser observado a partir do lado de fora da máquina de tratamento ou forno.

[062] Conforme é ilustrado na Figura 1B, um aparelho de monitoramento 150 é montado sobre a máquina de tratamento térmico ou forno 110. O aparelho de monitoramento 150 é montado por toda a janela do lado de fora 135 da janela de vidros duplos 130 e compreende uma câmera 160 arranjada próxima a janela do lado de fora 135, a qual é usada para observar o alimento no lado de dentro da câmara de forno 120 durante o cozinhar ou o cozimento. A câmera 160 pode ser qualquer câmera convencional, a qual seja capaz de proporcionar dados de imagem em uma forma acessível a um computador. A câmera 160 pode, por exemplo, ser um dispositivo de câmera carregada acoplada (CCD) ou uma câmera complementar de metal - óxido - semicondutor (CMOS). A câmera 160 obtém imagens do alimento cozinhado durante os procedimentos de cozimento. Conforme será aqui abaixo descrito, estas imagens podem ser usadas para automaticamente controlar o procedimento de cozinhar ou de cozimento. Embora a câmera 160 seja preferivelmente montada em um lado de fora da janela do lado de fora 135 para ser facilmente integrada no interior do aparelho de monitoramento 150, no qual a câmera 160 então observa um lado de dentro da câmara de aquecimento 120 através da janela de vidros duplos 130, a câmera 160 também pode ser proporcionada entre a janela do lado de dentro 136 e a janela do lado de fora 135 para observar um lado de dentro da câmara de aquecimento através da janela do lado de dentro 136.

[063] Todavia, um problema ocorre se uma fonte de luz externa se encontra presente no lado de fora da câmara de forno 120 na frente da janela de vidros duplos 130.

[064] Conforme é ilustrado na Figura 2A, uma luz irritante 272 emitida por intermédio de uma fonte de luz externa 270 pode passar através de uma janela do lado de fora 235’ de uma janela de vidros duplos, mas pode ser refletida por intermédio da janela no lado de dentro 236 na câmera 260 observando o alimento 180 sendo cozinhado. Portanto, a câmera 260 não apenas obtém luz 282 emitida ou refletida a partir do alimento 280, mas também da luz irritante 272 refletida na parede do lado de dentro 236. Isto resulta na deterioração dos dados de imagens proporcionados por intermédio da câmera 260 e pode desta forma afetar adversamente um processo de cozimento automático.

[065] Na presente realização, este efeito adverso é prevenido por intermédio de obstruir a luz irritante de passar através da janela do lado de fora 235. Isto pode ser feito por intermédio de sombrear ou de escurecer a janela do lado de fora 235. Então, a luz irritante 272 é refletida ou é absorvida por intermédio da janela do lado de fora 235 e não atinge a janela do lado de dentro 236. Assim sendo, nenhuma luz irritante 272 é refletida na câmera 260 por intermédio da janela do lado de dentro 236 e a câmera 260 apenas capta a informação correta acerca do alimento 280. Portanto, de acordo com a presente realização, uma deterioração do procedimento de processamento de alimentos automático é prevenida por intermédio do sombreamento ou do escurecimento da janela do lado de fora 235.

[066] Assim sendo, para captar imagens a partir da câmara de aquecimento 120 do forno 110, é vantajoso usar um aparelho de iluminação 140 em combinação com o sombreamento ou com o escurecimento da janela do lado de fora 235. Isto proporciona menos impacto de luz do lado de fora ao processamento de imagens de fotografias geradas no lado de dentro do forno.

[067] De acordo com a presente invenção, a transmitância visível da janela do lado de fora 135 é menor do que a transmitância visível da janela do lado de dentro 136. Aqui, a transmitância da janela do lado de fora 135 é menor do que 95%, mais preferivelmente menor do que 80% e em particular menor do que 60% da transmitância visível da janela do lado de dentro 136. Adicionalmente, a janela do lado de fora 235 da janela de vidro duplo 130 pode ter preferivelmente uma transmitância máxima de 75%. A transmitância visível é a transmitância de luz sendo incidente e normal a superfície da janela de vidro dentro de um alcance de comprimento de onda visível, por exemplo, 380 nm a 780 nm. É adicionalmente preferível sombrear a janela por pelo menos 40%, assim sendo a transmitância visível máxima é de 60%. Em outras palavras, pelo menos 40% da luz de entrada é absorvida ou refletida por intermédio da janela do lado de fora 235 e 60% da luz é transmitida através da janela do lado de fora 235. A janela do lado de dentro 236 pode ter uma transmitância visível de vidro usual. É adicionalmente preferível sombrear a janela por pelo menos 60%, acarretando em uma transmitância de 40%. Um revestimento de escurecimento ou uma lâmina pode ser vantajosamente aplicado na janela do lado de fora de uma porta de vidro duplo do forno para prevenir contra a deterioração do revestimento devido aos efeitos térmicos. Devido ao escurecimento da janela do lado de fora, as reflexões da luz vindo a partir de um lado de fora do forno podem ser significativamente reduzidas. A porta da janela do forno pode escurecida por intermédio de uma lâmina de metal ou um revestimento (janela espelhada) ou por uma lâmina de sombreamento. A porta da janela de forno pode ser uma janela sombreada compreendendo, por exemplo, um vidro sombreado do lado de fora e/ou do lado de dentro. Se a câmera é montada sobre a janela do lado de fora 135, o escurecimento ou a refletividade da janela do lado de fora 135 na localização da câmera pode ser relegada, por exemplo, tendo um orifício no revestimento para assegurar uma observação da câmera através do orifício no revestimento da janela do lado de fora 135, em que a área do orifício não é incluída para a determinação da transmitância da janela do lado de fora 135.

[068] A máquina de tratamento térmico ou forno 110 pode adicionalmente compreender uma porta de forno ou uma porta de máquina de tratamento térmico, por intermédio da qual a câmara de forno 120 pode ser aberta e pode ser fechada. A porta de forno pode compreender uma janela, através da qual a câmera de forno 120 pode ser observada. Preferivelmente, a janela compreende a janela de vidros duplos 130 para prevenir contra a perda térmica da energia de aquecimento para a câmara de forno 120. Assim sendo, o sistema para o monitoramento de tratamento térmico 100 pode compreender o aparelho de monitoramento 150 e o forno 110 compreendendo o aparelho de monitoramento 150, ou um forno 110 tendo o aparelho de monitoramento 150 montado na sua porta de forno.

[069] Assim sendo, as reflexões no interior da estrutura de janela de vidros duplos da porta da janela de forno também podem ser reduzidas. Consequentemente, os efeitos de iluminação no lado de fora sobre o processamento de imagens são insignificantes. Assim sendo, com uma intensidade de iluminação respectiva da câmara de forno 120, o lado de dentro da câmara de forno 120 pode ser observado por intermédio da câmera 160 do aparelho de monitoramento 150.

[070] A Figura 3 mostra vistas diferentes de uma realização do sistema para o monitoramento de tratamento térmico ilustrado nas Figuras 1A e 1B.

[071] Conforme é ilustrado no Figura3, um aparelho de monitoramento 350 é montado no lado frontal de um forno de deque 310 de um sistema para o monitoramento de tratamento térmico 300. O aparelho de monitoramento 350 compreende um invólucro, uma montagem de câmera sensor, e uma câmera montada sobre a montagem de câmera sensor para observar um lado de dentro de uma câmara de forno através de uma porta de janela de forno 330. A câmera é inclinada de tal maneira em uma direção horizontal e/ou vertical no que diz respeito a porta de janela de forno 330 para ser adaptada para observar pelo menos duas bandejas de cozimento ao mesmo tempo no forno de deque 310.

[072] De acordo com outra realização, a montagem do sensor e o invólucro são resfriados com ventoinhas no lado de dentro. Adicionalmente, como pode ser visto a partir das Figuras 4 e 5, a montagem da câmera sensor do aparelho de monitoramento 350 pode ser equipada com penetrações e ventiladores de calor para proporcionar resfriamento. A montagem do sensor e o invólucro podem ser otimizados para ter um ângulo de vista otimizado para ver duas bandejas de cozimento ao mesmo tempo no interior do forno.

[073] As Figuras 6A e 6B mostram uma vista superior e uma vista lateral de outra realização do sistema para o monitoramento de tratamento térmico ilustrado nas Figuras 1A e 1B, respectivamente.

[074] Conforme é ilustrado na Figura 6A, um aparelho de monitoramento 650 é montado sobre um forno 610 de um sistema para o monitoramento de tratamento térmico 600. O aparelho de monitoramento 650 sobrepõe parcialmente com a janela de vidros duplos 630 de uma porta de forno 632. O aparelho de monitoramento 650 compreende uma câmera no lado de dentro de um invólucro. Adicionalmente, o aparelho de monitoramento 650 compreende um exibidor 6755, o qual permite com que informação seja exibida para um usuário e permite a interação do usuário.

[075] O forno 610 pode ter um forno de convecção na parte de cima e fornos com dois deques na parte debaixo conforme são ilustrados nas Figs 6A e 6B.

[076] Adicionalmente, de acordo com uma realização, o aparelho de monitoramento 150 pode compreender um dispositivo de alerta para informar ao usuário quando o processo de cozimento chegou a um término. Adicionalmente, o aparelho de monitoramento 150 pode compreender uma saída de controle para parar, por exemplo, ao tratamento térmico do forno 110 e/ou para abrir automaticamente a porta do forno e/ou para ventilar a câmara de forno 120 com ar frio ou com ar. O forno 110 e o aparelho de monitoramento 150 formam, em conjunto, o sistema para o monitoramento de tratamento térmico 100.

[077] De acordo com uma realização adicional, o aparelho de monitoramento 150 é adaptado para gerar imagens processadas com um alcance de alta dinâmica (HDR) das mercadorias cozidas no interior da câmara de forno 120. Isto é particularmente vantajoso em combinação com a janela do lado de fora sombreada 135, uma vez que a intensidade de luz da luz vindo a partir do lado de dentro da câmara de cozimento 120 é reduzida por intermédio da lâmina de metal e o processamento de HDR permite uma segmentação melhor. Adicionalmente, usando o processamento de HDR, um contraste entre as mercadorias de cozimento e o seu entorno como as paredes e as bandejas do forno, pode ser intensificado. Isto permite ao sistema para o monitoramento de tratamento térmico 100 determinar um contorno ou um formato das mercadorias em cozimento ainda mais precisamente.

[078] A Figura 7 demonstra um ajuste de sensor possível para uma câmara de tratamento 720 de acordo com uma realização adicional. Conforme anteriormente, a câmara de tratamento 720 é monitorada com pelo menos uma câmera 760. A câmera 760 também pode compreender um sensor de imagem ou uma disposição de elementos de fotodiodos com pelo menos dois fotodiodos. É algo vantajoso usar mais do que uma câmera com o objetivo de monitorar várias bandejas que podem ser carregadas diferentemente. Pelo menos uma câmera 760 pode ser posicionada no interior da câmara de tratamento 720, mas é vantajoso aplicar uma janela que reduza a influência de calor no que diz respeito à câmera 760, em particular uma janela de vidros duplos 730. A janela de vidros duplos 730 pode estar em qualquer uma das paredes da câmara de tratamento.

[079] Conforme é aqui acima descrito, é vantajoso aplicar iluminação a câmara de tratamento 720 por intermédio da integração de pelo menos um aparelho de iluminação, por exemplo, uma lâmpada ou um diodo emissor de luz (LED). Uma Iluminação da câmara de tratamento definida suporta realizar imagens de câmera robustas/ boas. É adicionalmente vantajoso aplicar iluminação para pelo menos um comprimento de onda específico e aplicar um filtro de comprimento de onda apropriado para a câmera ou para o sensor de imagens ou para a disposição de elementos de fotodiodos 760. Isto adicionalmente aumenta a robustez da qualidade do sistema para o monitoramento visual. Se o comprimento de onda é escolhido para ser infravermelho ou próximo a infravermelho e o sensor de imagem 760 e os filtros opcionais são escolhidos em conformidade, o sistema para o monitoramento visual pode coletar informação relacionada com a distribuição de temperatura que pode ser crítica para certos processos de tratamento de alimentos.

[080] A câmera ou o sistema visual 760 pode Sr equipado com um sistema de lentes específico que aperfeiçoa a visualização do alimento. Não é necessário captar imagens relacionadas a todo o alimento carregado, uma vez que o estado de processamento de uma carga é muito similar entre as cargas propriamente ditas. Adicionalmente, o mesmo pode ser equipado com um sistema de autofoco e com técnicas de otimização de brilho. É vantajoso o uso de vários sensores de imagem 760 para comprimentos de ondas específicos com o objetivo de coletar informação sobre as mudanças de cor relacionadas ao tratamento dos alimentos. É vantajoso posicionar a câmera ou os sensores de imagem 760 para coletar informação de mudança de volume do alimento durante o tratamento térmico. Pode ser particularmente vantajoso estabelecer uma visão de cima ou superior dos produtos alimentícios.

[081] Também pode ser vantajoso fixar uma segunda porta de forno ou abertura de câmara de tratamento a um sistema de abertura pré- existente. O sistema de sensor ou em particular a câmera, e a unidade de iluminação podem então ser posicionadas na altura da porta da janela do forno. Esta porta em cima de uma porta ou de um sistema de porta dupla poderia ser aplicada se o sistema de sensor for fixado a um forno.

[082] Cada um dos aparelhos de monitoramento aqui acima descritos pode ser montado no lado frontal de um forno, conforme pode ser visto, por exemplo, nas Figuras 1A, 1B, 3, 4A, e 4B. O aparelho de monitoramento compreende um invólucro, uma montagem de sensor de câmera, e uma câmera montada na montagem do sensor de câmera para observar um lado de dentro de uma câmara de forno através de uma porta da janela forno. A câmera é inclinada de tal maneira em uma direção horizontal e/ou vertical no que diz respeito à porta da janela de forno para ser adaptada para observar pelo menos duas bandejas de cozimento no forno de deque. O aparelho de monitoramento pode adicionalmente compreender um dispositivo de alerta para informar ao usuário quando o processo de cozimento é terminado. Adicionalmente, o aparelho de monitoramento pode compreender uma saída de controle para parar, por exemplo, o aquecimento do forno e/ou para abrir automaticamente a porta do forno e/ou para ventilar a câmara do forno com ar frio ou com ar. O forno e o aparelho de monitoramento formam conjuntamente um sistema para o monitoramento de tratamento térmico.

[083] Conforme é aqui acima discutido, um sensor de câmera é usado para observar os processos de cozimento. De acordo com outra realização, é benéfico usar vários sensores de câmera. Se uma bandeja no interior de uma câmara de aquecimento tem pelo menos um sensor de câmera alinhado, um software de monitoramento e de controle pode adquirir informação para todas as bandejas individualmente. Assim sendo, é possível calcular um tempo de cozimento remanescente para cada uma das bandejas.

[084] O tempo de cozimento remanescente pode ser usado para alertar o usuário do forno para abrir a porta e para remover pelo menos uma das bandejas, no caso de o tempo de cozimento ter terminado antes das outras bandejas. De acordo com a invenção, é possível alertar o usuário por intermédio de um sistema de tecnologia de informação remoto. O alerta pode ser dado em um exibidor de Web site, em um smartphone, ou em uma lanterna próxima ao balcão. Isto tem e fornece a vantagem do fator que o usuário está sendo alertado no seu lugar usual de trabalho o qual pode não ser na frente do forno.

[085] De acordo com outra realização do sistema para o monitoramento da presente invenção, o sistema para o monitoramento pode ser usado nos sistemas de produção industriais de alimentos, por exemplo, linhas de cozimento ou de pré-cozimento ou nos sistemas de preparação de massa que formam e partem massa. Todavia, o sistema para o monitoramento também pode ser usado em qualquer outra área da produção e do processamento de alimentos.

[086] A Figura 8 ilustra um sistema para o monitoramento 800 com pelo menos um sistema de sensores estabelecido 850, para máquinas de tratamento térmico ou fornos 810 (unidades de cozimento), com esteiras mecânicas 815 (unidade móvel). Estes fornos 810 são usualmente usados nos sistemas de produção industrial de alimentos.

[087] O sistema de sensores 850 pode ter pelo menos um sensor dos seguintes: higrômetro, sensor de inserção de temperatura, sensor de temperatura na câmara de tratamento, sensores acústicos, triangulação de lasers, balanças, temporizadores, câmera, sensores de imagem, disposição de elementos de fotodiodos. Também fazem parte deste sistema de sensores 850 dispositivos de suporte tal como os algoritmos de iluminação ou resfriamento ou movimento.

[088] De acordo com uma realização a triangulação de lasers pode ser usada para adquirir informação no que diz respeito ao volume de alimento. Então o sistema de sensores estabelecido 850 compreende uma unidade de distribuição de luz de laser, a qual gera e direciona raios lasers em um sentido a mercadoria em cozimento no interior do forno ou da unidade de cozimento 810. A unidade de distribuição de luz de laser pode direcionar os raios lasers sobre uma única peça de mercadoria em cozimento ao mesmo tempo ou, de acordo com outra realização, pelo menos duas vezes no interior do processo de tratamento de alimentos para adquirir informação no que diz respeito à mudança de volume em relação ao tempo.

[089] A informação de volume e/ou o perfil de altura da mercadoria em cozimento é então adquirida por intermédio de uma unidade de medição, a qual analisa os resultados de detecção das unidades de detecção de luz, as quais detectam o reflexo dos raios lasers a partir das mercadorias em cozimento. Pode haver uma única, ou várias unidades de detecção de luz para todos os raios lasers ou uma unidade de detecção de luz para cada um dos raios lasers.

[090] De acordo com outra realização, pelo menos um sistema de sensor adicional 852 pode ser posicionado em posições diferentes no lado de dentro ou no lado de fora da máquina de tratamento térmico. Alternativamente, o sistema de sensor 850 pode ser aplicado em uma posição em que a esteira mecânica passa o alimento duas vezes em tempos diferentes do processamento. Alternativamente, o sistema de sensor 850 pode mover com a mesma velocidade da esteira mecânica 815.

[091] De acordo com outras realizações, mais do que uma câmera de sensor ou sensor ótico e mais do que um gerador de linha de laser para a triangulação de lasers pode ser usada.

[092] De acordo com uma realização ilustrada na Figura 9, um sistema para o monitoramento 900 compreende pelo menos dois aparelhos de monitoramento, cada um deles com um gerador de linha de laser 955 e um dispositivo receptor de luz 969, por exemplo, uma câmera ou uma disposição de elementos de fotodiodos. Assim sendo, uma unidade de distribuição de luz de laser de acordo com esta realização compreende uma primeira unidade de geração de luz de laser e uma segunda unidade de geração de luz de laser.

[093] A partir dos geradores de luz de laser 955, raios lasers 956 são emitidos em um sentido ao alimento 980 como, por exemplo, massa crua ou pré-cozida sobre uma esteira mecânica 915. Os raios lasers são refletidos a partir do alimento 980 em um sentido aos dispositivos receptores de luz 960. Conforme a posição dos geradores de luz de laser 955 e dos dispositivos receptores de luz 960 no que diz respeito um ao outro e no que diz respeito à esteira mecânica 915 é conhecido, a distância dos geradores de luz de laser 955 para o alimento 980 pode ser obtida por intermédio de triangulação a partir da posição exata em que os raios lasers 956 são observados no interior dos dispositivos receptores de luz 960. Assim sendo, usando tal triangulação de laser, o perfil de superfície do alimento processado 980 pode ser determinado.

[094] Conforme é mostrado na Figura 9, os raios laser 856 são direcionados diretamente no sentido do alimento ou da mercadoria em cozimento 980 e são espalhados diretamente em um sentido ao dispositivo receptor de luz ou unidades de detecção de luz 960. De acordo com outra realização, a trajetória de luz dos raios laser pode ser alterada por intermédio de espelhos de deflexão ou de guia. Então, os geradores de luz de laser 955 ou unidades de detecção de luz 960 também podem ser localizados no lado de fora da câmara de aquecimento ou unidade de cozimento. Isto permite um desenho mais flexível do sistema para o monitoramento de tratamento térmico. Ainda mais, com o objetivo de prevenir que os espelhos se tornem embaçados, os mesmos podem ser aquecidos até uma temperatura que seja alta o bastante para não permitir que os espelhos fiquem embaçados, mas uma temperatura baixa o bastante para não danificar os espelhos.

[095] Conforme é mostrado na Figura 9, os raios laser 956 a partir dos geradores de raios laser 955 são focados de tal maneira que o alimento 980, nos diversos estágios de produção, seja monitorado. Note bem que embora na Figura 9 é mostrado que os geradores de luz de laser 955 focam em duas peças de alimentos vizinhas 980, as mesmas podem focar de qualquer maneira nas peças de alimento 980 que estejam a uma distância maior, uma da outra. Por exemplo, as duas peças de alimento podem ser separadas por vários metros ou os geradores de luz de laser 955 podem ser localizados em uma entrada e uma saída de uma câmara de cozimento através da qual a esteira mecânica 915 percorre e observa o perfil de superfície do alimento 980 durante a entrada e a saída da câmara de cozimento. Para esta finalidade, os geradores de luz de laser ou as unidades geradoras 955 também podem ser arranjados de tal maneira que as mesmas emitem luz proximamente perpendicular a partir da de cima em um sentido para o alimento 980.

[096] Observe também que os geradores de luz de laser 955 não precisam ser localizados em cima da esteira mecânica 915, mas também podem ser localizados em um lado da esteira mecânica 915. É claro que pelo menos dois geradores de luz de laser 955 também podem ser localizados em diferentes lados da esteira mecânica 915.

[097] Daí, portanto, por intermédio do uso de dois ou mais geradores de luz de laser 955 que focam em peças de alimento diferentes 980 e observa a estrutura das respectivas superfícies das peças de alimento 980, uma diferença nesta estrutura da superfície causada por intermédio do cozimento ou do processo de produção de alimento pode ser observada conforme a esteira mecânica ou a unidade móvel 915 move o alimento 980 através da unidade de cozimento a partir de um ponto focal de um primeiro raio laser em um sentido a um ponto focal de um segundo raio laser. Esta informação sobre a diferença na estrutura da superfície em vários estágios do cozimento ou do processo de produção de alimento pode ser usada para automaticamente controlar o processo e, desta forma permitir um cozimento ou uma produção de alimento automatizado.

[098] Os raios laser 956 podem ser pontilhados ou no formato de uma ventoinha e estender por toda a largura da esteira ou da esteira mecânica 915. Usando raios laser no formato de ventoinhas 956, um perfil tridimensional do alimento 980 percorrendo por sobre a esteira mecânica 915 pode ser obtido que pode servir ainda melhor para o controle automático do processo de cozimento ou de produção de alimento. Então, o reflexo dos raios laser no formato de ventoinha a partir do alimento pode ser colimado ou concentrado em lentes sobre as unidades de detecção de luz 960, com o objetivo de permitir pequenas unidades de detecção de luz 960, as quais podem ser facilmente integradas no sistema para o monitoramento de tratamento térmico.

[099] Conforme é mostrada na Figura 10, adicionalmente a observação de diferentes peças de alimento, é especialmente benéfico alinhar pelo menos dois sistemas de sensores de um sistema para o monitoramento 1000 por peça de alimento em um ângulo de inclinação de 45 graus observando a medição dos objetos 1080 a partir da parte de cima esquerda e parte de cima direita. Isto é vantajoso porque quando da observação dos objetos, os geradores de luz de laser 1055 e os seus respectivamente alinhados dispositivos receptores de luz 1060 podem medir a estrutura da superfície dos objetos arredondados em áreas que podem ter sido escondidas quando do uso de apenas um sensor a partir de uma vista de cima teria sido usado. De acordo com outra realização os raios laser podem ser inclinados ainda menos do que 45° no que diz respeito a esteira mecânica ou a bandeja, a qual suporta o alimento 1080. Então, a estrutura de superfície próxima ao suporte do alimento pode ser observada ainda melhor.

[0100] No caso de raios formatados como uma ventoinha serem usados, a inclinação dos planos abarcados pelas ventoinhas deveria ser menor do que 45° no que diz respeito ao suporte do alimento 1080. Isto também significa que o ângulo entre os raios laser deve ser maior do que 90°.

[0101] Observe que embora na Figura 10 sejam mostrados que os geradores de luz de laser 1055 sejam focados na mesma peça de alimento 1080, os mesmos podem também focar em duas peças de alimentos diferentes 1080, as quais são separadas uma a partir da outra. Por exemplo, as duas peças de alimentos podem ser separadas por vários metros ou os geradores de luz de laser 1055 podem ser localizados em uma entrada e na saída de uma câmara de cozimento através da qual a esteira mecânica percorre e observa o perfil de superfície do alimento 1080 durante a entrada e a saída da câmara de cozimento.

[0102] Observe também que os geradores de luz de laser 1055 não precisam ser localizados em cima da esteira mecânica, mas também podem ser localizados em um lado da esteira mecânica. É claro que pelo menos dois geradores de luz de laser 1055 também podem ser localizados em diferentes lados da esteira mecânica 915.

[0103] Adicionalmente e de acordo com outra realização, pode haver uma exibição de triangulação de laser no interior do forno. Então, pelo menos dois sensores de triangulação de laser e duas linhas de laser, olhando os produtos cozidos a partir de um ângulo de aproximadamente 45 graus (parte de cima esquerda e parte de cima direita), podem ser usados. Isto fornece a vantagem que um pode também medir o entorno do produto cozido na sua parte inferior, enquanto por intermédio do uso de uma linha de laser e uma câmera a partir de uma vista de cima, a metade do entorno de baixo é escondida e não contabilizada nas medições.

[0104] Desta forma, de acordo com as informações adicionais estas realizações sobre o processo de produção de alimento ou de cozimento podem ser proporcionadas com base nas quais a produção de alimento ou o cozimento automatizado pode ser realizado mais eficientemente e mais confiavelmente.

[0105] De acordo com outra realização um gerador de linha de laser, ou outra fonte de luz, e um sensor de câmera, ou qualquer outro sensor ótico, pode ser usado para angariar informação no que diz respeito ao alimento sendo processado. Com o procedimento acima descrito, também conhecido como triangulação de laser, uma linha de laser pode ser projetada por sobre um objeto de medição. Um sensor ótico, uma disposição de elementos sensores ou tipicamente uma câmera, pode ser direcionado em um sentido ao objeto de medição. Se a perspectiva da câmera ou o ponto de visão e o respectivo plano e o plano do gerador de linha de laser formado por intermédio da fonte de luz e o término da linha de laser projetada não são paralelos ou se encontra em um ângulo, a informação ótica detectada pode ser usada para realizar medições proporcionando informação acerca de tamanho e formatos incluindo uma estrutura ou volume tridimensional.

[0106] Nestas realizações aqui acima descritas, duas unidades geradoras de luz de laser foram usadas com o objetivo de gerar e direcionar raios lasers. De acordo com outra realização, uma unidade de geração de luz de laser primária pode ser usada para gerar um raio laser primário, o qual é então distribuído por intermédio de uma unidade ótica no interior da unidade de cozimento. Usando tal estrutura no interior do sistema para o monitoramento de tratamento térmico, é possível economizar nos custos de energia e de espaço por intermédio da redução do número de unidades geradoras de luz de laser.

[0107] Adicionalmente, a unidade de geração de luz de laser pode ser localizada no lado de fora da unidade de cozimento e apenas o raio laser primário pode ser inserido na unidade de cozimento. Isto torna possível escolher uma estrutura do sistema para o monitoramento de tratamento térmico mais flexível, especialmente se as unidades de detecção de luz também são proporcionadas no lado de fora da unidade de cozimento.

[0108] A unidade ótica pode ser qualquer tipo de sistema ótico que permita a divisão de um raio laser primário em dois ou mais raios lasers. Por exemplo, o sistema ótico pode compreender um espelho semitransparente, o qual reflete uma parte do raio laser primário em um sentido a uma primeira posição a ser observada e transmite uma parte do raio laser primário em um sentido a um espelho, o qual reflete a luz em um sentido a uma segunda posição de interesse. O raio laser primário também pode ser separado de tal maneira que as suas partes são diretamente direcionadas em um sentido as posições a serem observadas. De acordo com outra realização, pode haver mais espelhos e/ou lentes dentro da trajetória de luz do raio laser primário.

[0109] De acordo com outra realização, a unidade ótica pode compreender um espelho móvel e rotativo, o qual gera raios lasers alternadamente. Para esta finalidade, o espelho móvel e rotativo pode ser proporcionado acima do alimento ou das mercadorias em cozimento e podem ser movidos e rotados de tal maneira que o raio laser primário é direcionado a diferentes peças de alimento ou diferentes posições sobre uma única peça de alimento em tempos diferentes. Desta forma, a informação do volume coletada por intermédio da unidade de medição se referirá a posições diferentes no interior da unidade de cozimento de acordo com o tempo.

[0110] Usando tais espelhos, reduzem-se os requerimentos de espaço no interior da unidade de cozimento e permite um desenho flexível do sistema para o monitoramento de tratamento térmico. Adicionalmente, um usuário pode mudar de operação facilmente a partir de um modo, no qual duas diferentes peças de alimento são observadas com o objetivo de obter informação acerca da mudança de perfil de altura e/ou perfil de volume do alimento, e um modo no qual uma única peça de alimento é observada a partir de direções diferentes com o objetivo de obter o formato tridimensional completo e geral da peça de alimento também próxima ao suporte da peça de alimento. O espelho móvel e rotativo também pode desempenhar tais diferentes tarefas em paralelo.

[0111] É claro que os espelhos usados com o raio laser primários, podem ser aquecidos com o objetivo de prevenir que os mesmos embacem.

[0112] De acordo com outra realização, o sistema ótico constituído por intermédio da unidade de distribuição de luz de laser, o alimento ou a mercadoria em cozimento e a unidade de detecção de luz de laser pode satisfazer o princípio de Scheimpflug. Isto garante que a imagem da mercadoria em cozimento amostrada pelos raios lasers, está sempre focada na unidade de detecção de luz, e, portanto, permite uma medição exata de um perfil de altura da mercadoria em cozimento.

[0113] De acordo com outra realização a triangulação a laser pode ser combinada com o processamento de imagem cinza para angariar informação simultânea sobre o formato e tamanho assim como informação sobre textura, cor e outras características óticas. Os dados de processamento resultantes podem ser usados para gerar características únicas para a medição do objeto, neste caso, alimentos. Isto pode ser formato, tamanho, volume, cor, processo de tostar, textura, tamanho de poro e densidade do alimento sendo processado tal como massa ou pão cozido, o qual pode ser fatiado. Alguma ou todas as informações aqui indicadas podem ser usadas para interpretar os dados de sensor com o objetivo de permitir o cozimento automatizado ou o processamento do alimento.

[0114] Nas realizações acima descritas, a captação de dados é desempenhada principalmente por intermédio de sensores de imagens tais como câmeras ou disposição de elementos de fotodiodos. Todavia, de acordo com realizações adicionais, os dados obtidos por intermédio dos sensores de imagens podem ser suplementados com dados a partir de uma variedade de outros sensores tais como, por exemplo, higrômetros, sensores de inserção de temperatura, sensores de temperatura de câmara de tratamento, sensores acústicos, lasers, balanças e temporizadores. Adicionalmente, um analisador de gás do gás no interior da câmara de tratamento, os meios para determinar perfis de temperatura de sensores de inserção de temperatura, os meios para determinar emissões de um processo eletromagnético ou acústico do alimento a ser tratado como luz ou som que é refletido ou emitido em resposta a fontes de luz ou de som, os meios para determinar os resultados a partir de medições em 3D do alimento a ser aquecido incluindo sistemas de câmera em 3D ou estéreo ou radares, os meios para determinar o tipo de construção ou de padrão ou de características óticas ou volume ou a massa do alimento a ser tratado, também podem ser usados como sensores para a unidade de sensores 1810 conforme é aqui abaixo descrito. O processamento ou cozimento de alimentos automatizado pode então ser controlado com base em todos os dados a partir de todos os sensores.

[0115] Por exemplo, com referência a Figura 7, a câmara de tratamento 720 pode ser adicionalmente equipada com pelo menos um sensor de temperatura ou um termômetro 762. Embora isto seja apenas ilustrado na Figura 7, qualquer outra realização aqui descrita também pode compreender tal sensor de temperatura 762. Quando do tratamento de alimentos com calor, a informação de temperatura está relacionada com características de processamento. Isto pode conter informação no que diz respeito a desenvolvimento de calor em um período de tempo e a sua distribuição no lado de dentro da câmara de tratamento. Isto também pode angariar informação acerca do estado do forno, do seu sistema de tratamento térmico e do preaquecimento opcional.

[0116] Também pode ser vantajoso integrar termômetros de inserção. Os termômetros de inserção permitem angariar informação sobre a temperatura no lado de dentro do alimento que é algo crítico para determinar o estado do processamento do alimento. É vantajoso no caso de cozimento de pão, adquirir informação relacionada à temperatura do lado de dentro e de migalhas.

[0117] Adicionalmente, o progresso na mudança de cor em relação ao tempo, do alimento a ser aquecido pode ser usado para determinar uma temperatura real no interior da câmara de forno e pode ser adicionalmente usado para um respectivo controle de temperatura no processo de cozimento. A câmara de tratamento 720 ou qualquer outra realização aqui descrita pode ser equipada com pelo menos um sensor relacionado à umidade na câmara de tratamento tal como um higrômetro 764. Em particular, a informação angariada relacionada à umidade quando do cozimento de pão é algo vantajoso. Quando a massa é aquecida, a água ali contida evapora resultando em uma diferença na umidade no lado de dentro da câmara de tratamento. Por exemplo, com ar circulando, a umidade da câmara de tratamento durante um processo de cozimento pode primeiramente aumentar e então cair indicando o estado de processamento do alimento.

[0118] A câmara de tratamento 720 ou qualquer outra realização aqui descrita pode adicionalmente ser equipada com pelo menos um sensor adquirindo informação do peso do alimento carregado e eventualmente a sua distribuição. Isto pode ser conseguido por intermédio de balanças integradas 766 em um sistema de montagem de bandejas da câmara de aquecimento 720. A montagem de bandeja ou a pilha de bandejas de estocagem pode ser suportada por rodas ou discos rotativos facilitando a carga do forno. As balanças 766 poderiam ser integradas com as rodas ou discos e carregá-las como um transdutor. É vantajoso adquirir a informação sobre o peso para cada uma das bandejas usadas ou conjunto de bandejas individualmente com o objetivo de ter informação relacionada acerca do peso total de alimentos e a sua relativa distribuição conforme a alimentação de energia desejada e a sua direção durante o tratamento térmico pode variar significativamente. Adicionalmente, é vantajoso adquirir informação sobre as diferenças de peso do alimento durante períodos de tempo enquanto tratando o alimento com calor. Por exemplo, no caso de cozimento de pão, a massa perde, aproximadamente cerca de 10% do seu peso inicial. Adicionalmente, é possível adquirir informação no que diz respeito ao estado da massa ou do alimento por intermédio da emissão e da captação de sinais de som, por exemplo, um autofalante e um microfone 768.

[0119] Adicionalmente, nas realizações aqui descritas, câmeras ou sensores de imagens ou disposições de elementos de fotodiodos alternativos e eventualmente conjuntos alternativos de iluminação podem ser usados. Ao invés de posicionar uma câmera atrás de uma janela sobre qualquer parede de uma câmara de tratamento, a mesma ou uma segunda câmera também pode ser integrada com a porta do forno ou com uma abertura da câmara de tratamento.

[0120] Ao invés de a integração de iluminação em qualquer parede da câmara de tratamento, esta também pode ser integrada na porta do forno ou na abertura da câmara de tratamento. Comumente, as portas de fornos têm janelas para permitir a operadores humanos visualizar o alimento tratado e supervisionar o processamento. De acordo com outra realização, pelo menos uma câmera ou um sensor de imagens ou uma disposição de elementos de fotodiodos ou qualquer outro tipo de dispositivo de imagens pode ser integrado em uma porta de forno ou a abertura de uma câmara de tratamento. Uma porta de forno sem janela para operadores humanos pode ser designada como mais eficiente no que diz respeito ao fator energia uma vez que o isolamento do calor poderá ser melhor. Adicionalmente, as diferenças na iluminação do lado de fora não influenciam nas imagens de câmera de monitoramento da câmara de tratamento que então dependeriam apenas da iluminação definida na câmara de tratamento. Todavia, um indivíduo com especialização na técnica deveria notar que, tal ajuste poderia não ser facilmente instalado mais tarde em um forno já existente.

[0121] Adicionalmente, pode ser vantajoso integrar uma tela ou um exibidor visual digital sobre uma parede do lado de fora da porta de forno ou em qualquer outro local adequado no lado de fora da câmara de tratamento. Esta tela pode mostrar imagens captadas a partir da câmera de monitoramento da câmara de tratamento. Isto permite a um operador humano visualmente supervisionar o processo de cozimento, embora seja um objetivo da invenção tornar isto algo desnecessário.

[0122] Adicionalmente, pode ser algo vantajoso usar bandejas ou uma pilha de bandejas de estocagem que indique a distribuição dos alimentos. Por exemplo, quando do cozimento de pães, quando carregando o forno, o posicionamento da massa pode variar para cada um dos ciclos de cozimento. Estas diferenças podem ser gerenciadas por intermédio do processamento de imagens com técnicas de comparação e reconhecimento. É algo vantajoso ter uma carga similar ou um posicionamento de alimentos similar para cada um dos ciclos de produção conforme é indicado na Figura 11. Um sistema de posicionamento automatizado pode ser aplicado quando do ajuste das bandejas 1100. Para o posicionamento manual, pelo menos algumas das bandejas usadas podem ter a indicação 1110 de onde posicionar a massa. Como uma indicação, relevos, caneletas, panelas, moldes, ícones de alimentos, desenhos de alimentos, ou linhas podem ser usadas.

[0123] Adicionalmente, quando da integração de um sensor de câmera em um ambiente de forno ou um sistema de processamento de alimentos, pode ser algo vantajoso a integração de dispositivos de resfriamento. Pode haver pelo menos uma placa de resfriamento, pelo menos um ventilador e/ou pelo menos um sistema de resfriamento a água.

[0124] Adicionalmente, um obturador pode ser usado que apenas exponha o sensor de câmera quando for necessário. Pode ser frequentemente necessário realizar várias fotos e pode ser frequentemente adequado apenas realizar fotos a cada 5 segundos ou menos. Se o obturador apenas abre a cada 5 segundos, o impacto de calor sobre o chip da câmera é significativamente mais baixo, algo que reduz a possibilidade de erro devido a um impacto de calor e, assim sendo, aumenta a confiabilidade do sistema para o monitoramento de tratamento térmico.

[0125] Pode ser adicionalmente vantajoso realizar pelo menos duas fotos ou mais ou realizar uma exposição com várias leituras não destrutivas e combinar os valores de pixel. A combinação pode ser para tomar uma média ou para calcular uma foto de pelo menos duas do Alcance de Imagem com Alta Dinâmica. Em combinação com um obturador ou só, é possível aplicar filtros de comprimento de onda que apenas permitem a passagem de comprimentos de ondas relevantes, por exemplo, luz visível ou radiação infravermelha. Isto pode, adicionalmente, reduzir o impacto de calor sobre o chip da câmera e, desta forma aumentar a confiabilidade do sistema para o monitoramento de tratamento térmico, ainda mais.

[0126] Em outra realização ilustrada na Figura 12, a integração de um sistema de sensores para prateleiras de forno ou carretas móveis usadas em alguns desenhos de fornos, pode ser usada. Para a rotação das prateleiras de forno, o sistema de sensores pode ser integrado na prateleira de forno conforme é demonstrado em 1200. O sistema de sensores é integrado acima de pelo menos uma das bandejas carregando alimentos. O sistema de sensores na carreta pode ter pelo menos um sensor dos seguintes: higrômetro, sensor de inserção de temperatura, sensor de temperatura na câmara de tratamento, sensores acústicos, balanças, temporizadores, câmeras, sensor de imagem, disposição de elementos de fotodiodos. Parte do sistema de sensor integrado a prateleira também inclui dispositivos de suporte tais como iluminação ou resfriamento conforme é demonstrado nesta invenção. É um objetivo adicional da invenção, ter uma conexão elétrica tal como um fio ou plugues elétricos na montagem da prateleira conforme é demonstrado em 1210. É adicionalmente vantajoso integrar pelo menos parte do sistema de sensores nas prateleiras rotativas da parede de forno conforme é demonstrado em 1220. Isto é vantajoso para reduzir os efeitos de calor por sobre o sistema de sensores. Para a câmera, o sensor de imagem ou a disposição de elementos de fotodiodos é vantajoso aplicar um algoritmo de rotação de imagem ou correção de movimento com o objetivo de corrigir a rotação da prateleira ou o movimento do alimento. Este algoritmo pode ser suportado por intermédio de um parâmetro pré-estabelecido ou medido a partir do controle do forno no que diz respeito à velocidade de rotação ou de movimento.

[0127] Em outra realização, uma interface gráfica de usuário (GUI) pode mostrar fotos de cada uma das bandejas e do deque no interior de um forno. Em um forno de convecção o tempo final para cada uma das bandejas pode ser separadamente determinado. Isto significa que se uma bandeja terminar antes de outra, o usuário pode receber um sinal para esvaziar aquela bandeja e deixar as outras no lado de dentro. Isto é algo vantajoso porque muitos fornos podem não ter resultados iguais para bandejas diferentes. Adicionalmente, pode-se realizar o cozimento de produtos diferentes sobre cada uma das bandejas, se os mesmos têm a mesma temperatura de cozimento. Desta forma, é possível operar um único forno mais flexível e eficientemente.

[0128] Em outra realização, o forno também pode determinar a distribuição das mercadorias cozidas sobre uma bandeja. Um forno também pode rejeitar bandejas que tenham sido carregadas de forma errada.

[0129] Usando um ou vários dos sensores aqui acima descritos, os dados sobre o procedimento de cozimento ou de processamento de alimentos podem ser coletados. Com o objetivo de permitir um processamento ou um cozimento de alimentos confiavelmente automatizado, as máquinas de processamento tal como fornos ou esteiras mecânicas precisam aprender como extrair dados relevantes a partir de todos os dados, como classificar o alimento processado e o estágio do processamento dos alimentos com base nestes dados, e como automaticamente controlar o processamento com base nos dados e na classificação. Isto pode ser conseguido por intermédio de um sistema para o monitoramento de tratamento térmico que seja capaz de controlar um processo de cozimento com base em técnicas de aprendizado de máquinas.

[0130] A Figura 13 demonstra uma unidade de controle e um diagrama de processamento de dados de acordo com os quais, os dados de qualquer uma das aqui acima realizações podem ser gerenciados.

[0131] Aqui, a unidade de controle ou o sistema para o monitoramento de tratamento térmico 1300, para a máquina de tratamento térmico 1310, reconhece o alimento a ser processado com qualquer um dos sistemas de sensores aqui descritos. O reconhecimento do alimento a ser processado pode ser conseguido com a matriz única de entrada de dados de sensor {EMBED Microsoft Formel-Editor 3.0}. Esta matriz de entrada de dados de sensor ou uma representação reduzida da mesma pode ser usada para identificar um processo de tratamento de alimentos com os seus dados característicos ou com os seus dados de impressão digital.

[0132] A unidade de controle 1300 tem acesso a um banco de dados que permite comparar a matriz de entrada de dados de sensor com informação previamente armazenada indicada com 1301. Isto permite a unidade de controle 1300 escolher um programa ou um procedimento de processamento de controle para o presente tratamento de alimento. Parte deste procedimento é de acordo com uma realização de um mapeamento X c da matriz de entrada de dados de sensores X c para uma matriz de atuador de controle de dados X c .D aXc =D b . (Fórmula 1.00)

[0133] Com a matriz de atuador de controle de dados D aXc =D b , a máquina de tratamento térmico 1310 controla o processamento de alimentos, por exemplo, por intermédio do controle de parâmetros de controle de forno tais como alimentação de energia ou começo e término de tempo de processamento. A máquina de tratamento térmico então opera em um modo de controle de laço fechado. Tipicamente, a matriz de entrada de dados de sensor D aXc =D b é significativamente mais alta em dimensões quando comparada a matriz de atuador de dados de controle D aXc =D b.

[0134] De acordo com uma realização, é algo vantajoso encontrar um mapeamento DX = D, assim como uma representação reduzida da matriz de entrada de dados de controle DaXc = D com os métodos a partir do aprendizado da máquina. Isto é porque o tipo de alimento a ser processado e os procedimentos em conformidade, são usualmente individualmente diferentes.

[0135] A partir de um ponto de vista de processamento de dados, as relações entre a entrada dos dados de sensores e a apropriada saída do atuador podem ser: altamente não linear e dependente de tempo. Hoje estes parâmetros são escolhidos por intermédio de operadores humanos comumente com um conhecimento significativo no que diz respeito à configuração do que consome tempo da máquina de tratamento de alimentos. De acordo com uma realização da presente invenção com conjuntos de dados iniciais a partir de um operador humano, os métodos de aprendizado de máquina podem desempenhar a configuração de um sistema futuro e apresar os tempos de configuração assim como incrementar e intensificar a eficiência do processamento assim como a qualidade.

[0136] Todos os dados aplicados podem ser armazenados em bancos de dados. Em conformidade a invenção, é algo benéfico conectar a máquina de tratamento térmico com uma rede em cadeia. Com os meios desta rede em cadeia, quaisquer dados de bancos de dados podem ser trocados. Isto permite a um operador humano interagir com várias máquinas e tratamento térmico, distribuídas localmente. Com o objetivo de fazer isto, a máquina de tratamento térmico tem um equipamento para interagir com uma rede em cadeia e para usar certos protocolos tais como Protocolo de Controle de Transmissão (TCP) e Protocolo de Internet (IP). De acordo com a invenção, a máquina de tratamento térmico pode ser equipada com dispositivos de rede em cadeia para uma rede em cadeia de área local (LAN), uma rede em cadeia de área sem fio (WLAN) ou um acesso de rede em cadeia móvel usada em telecomunicação móvel.

[0137] Em qualquer uma das realizações previamente descritas, um procedimento de cozimento ou de processamento de alimento pode conter uma fase de aprendizado e uma fase de produção. Na fase de aprendizado, um operador humano coloca o alimento em uma máquina de tratamento térmico. OP alimento é tratado térmico conforme for desejado por intermédio do operador humano. Isto pode ser realizado com ou sem o pré-aquecimento da câmara de aquecimento. Depois do processamento térmico, o operador humano pode especificar o tipo de alimento e quando o desejado estado de processamento venha a ser alcançado. O operador humano também pode proporcionar informação quando o produto venha a ser cozido, sobre cozido e em qual estado de processamento for desejado.

[0138] Usando os métodos de aprendizado por máquina acima descrito, a máquina calcula os parâmetros de processamento para futura produção de alimentos. Então a máquina de tratamento térmico ou as máquinas de tratamento térmico em uma rede em cadeia conectada pode ser usada para ter fases de aprendizado adicionais ou para entrar em uma produção automatizada. Quando em uma produção automatizada, o operador humano apenas coloca o alimento na máquina de tratamento térmico com um pré-aquecimento opcional. A máquina então detecta o alimento na câmara de tratamento e desempenha o procedimento de tratamento térmico previamente aprendido.

[0139] Quando o estado de processamento de alimento desejado é atingido ou alcançado, ou simplesmente quando o pão estiver pronto, a máquina termina o processo de tratamento térmico. A máquina também pode fazer isto pela abertura da porta ou pelo término da alimentação de energia ou pela ventilação de ar quente para fora da câmara de tratamento. A máquina também pode dar ao operador humano um sinal visual ou acústico. Adicionalmente, a máquina de tratamento térmico pode solicitar um retorno a partir do operador humano. A máquina pode pedir a escolha de uma categoria tal como subcozido (mal passado), bom (ao ponto) ou sobre cozido (bem passado). Um sistema de carga automatizado que carrega e descarrega a câmara de tratamento pode automatizar totalmente o procedimento. Para este propósito um braço robótico ou uma esteira de convecção pode ser usado.

[0140] Técnicas recentes em aprendizado de máquina e de controle de processamento de alimentos têm sido examinadas para a criação de monitoramentos adaptativos. As classificações de: Redes em Cadeia de Neurônios Artificiais (ANN), Máquinas de vetor de Suporte (SVM) e Vizinhos Próximos-K Cotanosos (KNN) têm sido investigadas uma vez que as mesmas são aplicáveis a aplicações especiais no que diz respeito ao processamento de alimentos. Um alvo da presente invenção é o de avaliar o que o aprendizado de máquina pode conseguir sem um processo de modelo definido por intermédio de um operador humano.

[0141] A seguir, uma breve vista geral das teorias suportando a presente invenção é aqui fornecida. Isto inclui técnicas para reduzir os dados de sensores com redução de dimensionalidade tal como Análise de Componentes principais, Análise de Discriminantes Lineares e Mapeamento de Características Isométricas. Também pode incluir uma introdução de classificação e métodos de aprendizado supervisionados assim como não supervisionados tal como Vizinhos Próximos-K Cotanosos (KNN), Redes em Cadeia de Neurônios Artificiais (ANN), Máquinas de vetor de Suporte (SVM) e aprendizado reforçado. Para o formato de números, o separador de mil é uma vírgula “,” e o separador decimal é um ponto “.”; assim sendo, um mil é representado pelo número 1,000.00.

[0142] Característica de extração e redução de dimensionalidade

[0143] A presente invenção não busca, nem deseja conseguir um comportamento humano por parte de máquinas. Todavia, a investigação de algo como capacidade cognitiva dentro e por intermédio de máquinas de processamento de alimentos e de máquinas de produção de agentes artificiais capazes de gerenciar funções de processamento de alimentos pode proporcionar um cenário de aplicação para alguns dos mais sofisticados approaches no que diz respeito a arquiteturas cognitivas. Os approaches para as máquinas de produção podem ser estruturados dentro de uma arquitetura de percepção cognitiva - laço de ação, conforme é aqui mostrado na Figura 14, a qual também define sistemas técnicos cognitivos. As capacidades cognitivas tais como percepção, aprendizado e o ganho de conhecimento permitem a máquina interagir com um ambiente autonomicamente através de sensores e de atuadores. Portanto, no que vêm a seguir, alguns métodos conhecidos a partir do aprendizado de máquina que serão adequados para partes diferentes de uma percepção cognitiva - laço de ação trabalhando em um sistema de produção será aqui discutido.

[0144] Se um sistema técnico cognitivo simplesmente tem uma representação de característica da sua entrada de dados de sensores, o mesmo pode ser capaz de gerenciar um alto volume de dados. Adicionalmente, as características de extração enfatizam ou aumenta a razão de sinal - para - ruído por intermédio de focar em informação mais relevante em um conjunto de dados. Todavia, há várias maneiras de extrair características relevantes a partir de um conjunto de dados, os aspectos teóricos dos quais são sumarizados aqui abaixo a seguir.

[0145] Com o objetivo de selecionar ou aprender características de uma maneira cognitiva, nós precisamos ter um método que pode ser aplicado completamente automaticamente, sem a necessidade de supervisão humana. Uma maneira para se conseguir isto é usar a redução de dimensionalidade (DR), onde um conjunto de dados - com um tamanho tx n é mapeado por sobre um conjunto de dados - inferior de tamanho tx n. Neste contexto, refere-se a --' como um espaço de observação e refere-se a como um espaço de característica.

[0146] A idéia é identificar ou aprender uma distribuição dimensional mais alta em um conjunto de dados específico por intermédio da criação de uma representação com uma dimensão menor.

[0147] Os métodos usados para encontrar características em um conjunto de dados podem ser subdivididos em dois grupos: linear e não linear, conforme é mostrado na Figura 15. As técnicas de redução de dimensionalidade linear aparentam ser sobre desempenhadas pela redução de dimensionalidade não linear, quando o conjunto de dados tem uma estrutura não linear. Isto ocorre devido ao fator que técnicas não lineares geralmente têm tempos de execução mais longos do que as técnicas lineares. Adicionalmente, em contraste com os métodos não lineares, as técnicas lineares permitem um approach mais direto do mapeamento para frente e para trás (mapeamento de retorno). A questão é se uma técnica de redução de dimensionalidade linear é suficiente para o processamento de alimentos, ou se as técnicas lineares produzem mais vantagens do que custos. As seguintes técnicas não lineares são muito vantajosas para conjuntos de dados artificiais: Hessian LLE, Laplacian Eigenmaps, Embutimento Linear Local (LLE), Autocodificadores de Camadas Múltiplas (ANN Aut), Kernel PCA, Escamação Multidimensional (MDS), Mapeamento de Características Isométricas (Isomap), e outras. Como um resultado, ISOMAP provou ser um dos melhores algoritmos testados para conjuntos de dados artificiais. Nós achamos que o algoritmo de ISOMAP é aparentemente a técnica de redução de dimensionalidade não linear mais aplicável no que diz respeito ao processamento de alimentos. Portanto, ISOMAP e duas técnicas de redução de dimensionalidade linear são aqui abaixo apresentadas. Análise de Componente Principal

[0148] A Análise de Componente Principal (PCA) permite a descoberta de características que separam um conjunto de dados por variância. A mesma identifica um conjunto de características independentes que representa tantas variâncias quanto o possível a partir de um conjunto de dados, mas são inferiores em dimensão. A PCA é conhecida em outras disciplinas como a transformação de Karhunen-Loèvre e a parte referida a como Decomposição de Valor Singular (SVD) também é um nome bastante conhecido. É frequentemente usada em padrões estatísticos ou reconhecimento facial. Sumarizando, a mesma computa os Eigen vetores e o Eigen valores dominantes de covariância de um conjunto de dados.

[0149] Nós queremos encontrar uma representação - de dimensão inferior com elementos de tx p de um conjunto de dados de dimensão mais alta tx p de uma matriz ajustada média, mantendo tanto quanto possível de variância e com colunas não correlacionadas com o objetivo de computar uma representação V de dados para o conjunto de dados x.. Portanto, a PCA busca um mapeamento linear MPCA de tamanho MPCA que maximize o termo MPCA com MPCA e MPCA como a covariância da matriz de •'-. Resolvendo o problema de Eigen com MPCA (Fórmula 2.3)

[0150] Nós obtemos os valores Eigen principais ordenados com . A projeção desejada é dada porY=XM PC (Fórmula 2.4)

[0151] Que nos dá a projeção desejada por sobre a base linear MPCA. Também pode ser mostrado que o Eigen vetores ou os componentes principais (PCs) que representam a variância no interior da representação de dados de alta dimensão são dados pelas primeiras colunas da matriz selecionada por intermédio de variância. O valor é determinado por intermédio da análise da variância residual refletindo a perda de informação devido a redução de dimensionalidade.

[0152] Encontrando uma combinação ortogonal linear das variáveis com a maior variância, a PCD reduz a dimensão dos dados. A PCA é uma ferramenta bem potente para a análise de conjuntos de dados. Todavia, pode às vezes não encontrar a melhor representação dimensional mais baixa especialmente se o conjunto de dados original tiver uma estrutura linear. Análise Discriminante Linear

[0153] Independente da utilidade da PCA, a Análise Discriminante Linear (LDA) pode ser vista como uma técnica de redução de dimensionalidade supervisionada. Também pode ser categorizada como algo que usa um método linear porque a mesma também fornece um mapeamento linear MLDA para um conjunto de dados - para uma matriz de dimensão mais baixa -, conforme declarado por intermédio de MPCA na equação 2.4. A supervisão necessária é uma desvantagem se o desejo por trás de tudo é o de criar um sistema completamente autônomo. Todavia, a LDA suporta um subentendimento da natureza dos dados de sensor porque a mesma pode criar características que representam um conjunto de dados de teste desejado.

[0154] Por causa do fator que os detalhes da LDA e do discriminante de Fisher são conhecidos, a seguinte é uma sobrevista breve e simplificada. Assume-se que nós temos dados de média zero X. Um processo de supervisão proporciona a informação de classe para dividir X em classes de C com os dados de média zero para a classe -’. Nós podemos computar isto com

[0155] A dispersão dentro da classe, uma medição para a variância dos dados da classe c para a sua própria média. A dispersão entre classes segue

[0156] A dispersão entre classes é uma medição da variância década uma das classes relativa a média das outras classes. Nós obtemos o mapeamento linear MLDA por intermédio da otimização da razão da dispersão entre classe e dentro da classe na representação dimensional mais baixa usando o critério de Fisher

[0157] Maximizando o critério de Fisher por intermédio da solução do problema de Eigen para S-S proporciona os valores de Eigen - _ 1 que não são zero. Portanto, este procedimento busca as características otimizadas para separar as classes dadas em um subespaço com projeções lineares.

[0158] Assim sendo, a LDA separa uma representação dimensional inferior com uma razão maximizada de variância entre as classes para a variância dentro das classes. Mapeamento de Características Isométricas

[0159] Os métodos de PCA e de LDA produzem um mapeamento linear a partir de conjuntos de dados de alta dimensão para uma representação dimensional inferior. Isto pode ser expresso como uma distribuição de aprendizado em um espaço de observação e encontrando uma representação para isto em um espaço de características de dimensão mais baixa. Para os conjuntos de dados com uma estrutura não linear, tal como os conjuntos de dados de Swiss-roll (Rocambole Suíço), as projeções lineares perderão o caráter não linear da distribuição original. As projeções lineares não são capazes de reduzir a dimensão de uma maneira concisa: pontos de dados no espaço de características podem aparentar próximos embora não se encontrem ou estejam no espaço de observação. Com o objetivo de enfrentar e resolver este problema, técnicas de redução de dimensionalidade não lineares foram recentemente propostas em relação as técnica lineares. Todavia, é uma prioridade não clara se, na verdade, as técnicas não lineares sobre desempenharão as técnicas lineares estabelecidas tais como PCA e LDA para os dados a partir de sistemas de sensores de processamento de alimentos.

[0160] O mapeamento de características isométricas ou os algoritmos de ISOMAP tentam preservar o a paridade geodésica ou as distâncias curvilíneas entre os pontos de dados no espaço de observação. Em contraste a uma distância Euclidiana, a qual é a distância ordinária ou direta entre dois pontos que pode ser medida com uma régua ou com o teorema de Pitágoras; a distância geodésica é a distância entre dois pontos medida sobre a distribuição em um espaço de observação. Em outras palavras, nós não vamos pelo caminho mais curto, mas temos que usar pontos de dados vizinhos como meões para saltar entre os pontos de dados. A distância geodésica dos pontos de dados V no espaço de observação pode ser estimada por intermédio da construção de um gráfico - de vizinhança que conecta o ponto de dados com o seu vizinho -'■- mais próximo no conjunto de dados •'-. Uma matriz de distância geodésica de paridade pode ser construída com o algoritmo de Dijkstra de trajetória mais curta. Com o objetivo de reduzir as dimensões e obter um conjunto de dados -, a escamação multidimensional (MDS) pode ser aplicada a matriz de distância geodésica de paridade. A MDS busca reter as distâncias de paridade entre os pontos de dados o mais que possível. O primeiro passo é a aplicação de uma função de estresse, tal como uma função de estresse bruta dada por intermédio de

[0161] Com o objetivo de obter uma medição da qualidade ou do erro entre as distâncias de paridade nas características e nos espaços de observação. Aqui, lxi xjl é uma distância Euclidiana dos pontos de dados xi e xj no espaço de observação com yi e yj sendo o mesmo para o espaço de característica. A função de estresse pode ser minimizada pela solução do problema de Eigen da matriz de distância de paridade.

[0162] Assim sendo, o algoritmo de ISOMAP reduz a dimensão por intermédio de reter uma distância geodésica de paridade entre os pontos de dados o máximo que for possível. Classificação para o aprendizado de máquina

[0163] No que diz respeito a aprendizado de máquina, não é apenas a extração de características que é algo de grande interesse científico, mas também a necessidade de tomar decisões e julgar situações. As técnicas de classificação podem auxiliar uma máquina a diferenciar entre situações complicadas tais como aquelas encontradas no processamento de alimentos. Portanto, os classificadores usam as assim chamadas classes que segmentam os dados existentes. Estas classes podem ser aprendidas a partir de certos conjuntos de dados de treinamento. No que diz respeito a atual pesquisa sobre AI e máquinas cognitivas, as Redes em Cadeia de Neurônios Artificiais foram desenvolvidas relativamente recentemente no processo. Em comparação, os conceitos de Máquinas de Kernel e o aprendizado reforçado apenas apareceram recentemente, mas mostrou capacidades cognitivas incrementadas. Redes em Cadeia de Neurônios Artificiais

[0164] As Redes em Cadeia de Neurônios Artificiais (ANN) vem sendo discutidas extensivamente por décadas. As ANNs foram um dos primeiros sucessos na história de Inteligência Artificial (AI). Usando cérebros naturais como modelos, vários neurônios artificiais são conectados em uma topologia de rede em cadeia de tal maneira que uma ANN pode aprender a aproximar funções tais como reconhecimento de padrões. O modelo permite a um neurônio ativar a sua saída se certo limiar é alcançado ou excedido. Isto pode ser modelado usando uma função de limiar. Os neurônios naturais aparentam “disparar” com um limiar binário. Todavia, também é possível usar uma função de sigmoide,

[0165] Com ■ como um parâmetro da transição. Para todas as conexões de entrada, um fator de peso ' . ajustável é definido, o qual permite a ANN realizar o assim chamado paradigma de aprendizado. Uma função de limiar p pode ser expressa usando os fatores de peso «i e as saídas a partir dos neurônios precedentes -■', = 1 -■', com uma anotação de vetor matriz. Os neurônios podem ser posicionados em camadas em uma estrutura do tipo alimentar para frente, Multi-Layer Perceptron (MLP) ou, por exemplo, com uma resposta de entrada infinita conseguida usando laços de retorno com um elemento de retardamento na assim chamada Rede em cadeia de Neurônios Reocorrentes. Uma |MLP é uma rede em cadeia de alimentação para frente com uma estrutura em camadas; várias camadas escondidas podem ser adicionadas se necessário for, para resolver problemas não lineares. A MLP pode ser usada com funções de limiar contínuas tais como uma função sigmoide com o objetivo de suportar o algoritmo de propagação traseiro aqui abaixo declarado para o aprendizado supervisionado. Esta tentativa é para minimizar o erro - na

[0166] A partir da saída da saída designada -., onde os pesos particulares são recursivamente ajustados. Para uma MLP com uma camada escondida, se são valores de camadas escondidas, são valores de entrada, -■ - é a taxa de aprendizado e 7. - -;., então os pesos da camada escondida 1 2 wj e a camada de entrada wj são ajustados de acordo com,

[0167] As camadas são enumeradas começando a partir da entrada para a saída. Para a propagação traseira, os pesos são ajustados para os vetores de saída correspondentes até que o erro geral não possa mais ser reduzido. Finalmente, para uma classificação de classes --, a camada de saída pode consistir de tanto os neurônios de saída -, representando a probabilidade da classe respectiva, ou um único neurônio de saída que tem alcances definidos para cada uma das classes.

[0168] Assim sendo, a ANN pode aprender a partir de ou se adaptar a um conjunto de dados de treinamento e pode encontrar uma função linear ou não linear a partir dos neurônios de entrada - para os neurônios de saída -. Isto pode ser usado para a classificação para diferenciar um conjunto de classes em um conjunto de dados. Máquinas de Kernel

[0169] Em geral, uma técnica de classificação deveria servir o propósito de determinar a probabilidade de classes aprendidas ocorrendo com base nos dados medidos. A classificação pode ser matematicamente formulada como um conjunto de classes = -'. :e em -, com um conjunto de dados representado por x. = -- , e uma probabilidade de pi,

[0170] O parâmetro ? pode então ser escolhido separadamente para todas as classificações ou pode ser aprendida a partir de um conjunto de dados de treinamento.

[0171] Com o objetivo de conseguir o aprendizado, é desejável facilitar algoritmos de treinamento eficientes e representar funções não lineares complicadas. As máquinas de Kernel ou Máquinas de vetor de Suporte (SVM) podem auxiliar com ambos os objetivos. Uma simples explicação de SVM, ou neste contexto em particular Classificação de vetor de Suporte (SVC), é a seguinte: com o objetivo de diferenciar entre duas classes, boa ou ruim, nós precisamos desenhar uma linha e indicar qual é qual; uma vez que um item não pode ser ambos, uma decisão binária se faz necessária, = -1 ^. Se nós apenas podemos encontrar um separador não linear para as duas classes em um espaço de dimensão baixo, nós podemos encontrar uma representação linear para o mesmo em um espaço dimensional mais alto, um hiperplano. Em outras palavras, se um separador linear não é possível no espaço real, um aumento de dimensão permite uma separação linear. Por exemplo, nós podemos mapear com a função -■ um espaço bidimensional - = <, •" = < com um separador circular para um espaço tridimensional fTXf=XfizI2x usando um separador linear conforme é ilustrado na Figura 16.

[0172] SVC busca para este caso, um separador linear otimizado, um hiperplano,

[0173] No espaço dimensional alto para um conjunto de classes '.. No espaço tridimensional estas podem ser separadas com um hiperplano, onde ° é um vetor normal de -, uma distância perpendicular para a origem |b|/||o||, e ° com uma norma Euclidiana de ||o||. Com o objetivo de encontrar o hiperplano que serve como um separador linear otimizado, a SVC maximize a dada margem por intermédio de,

[0174] Entre o hiperplano e os pontos de dados mais próximos xi. isto pode ser conseguido por intermédio da minimização da razão ||o || /2 e resolvendo com o parâmetro multiplicador otimizado de Lagrange αi. Com, o objetivo de conseguir isto, a expressão,

[0175] Tem que ser maximizada sob as restrições ai > 0 e ∑iac = 0. O separador linear otimizado para um hiperplano não desviado é então dado usando,

Permitindo a classificação de duas classes.

[0176] A SVM tem duas propriedades importantes: é eficiente no que diz respeito a tempo de uso em computadores e pode ser demonstrada com as equações 2.16 and 2.17. Primeiro, com os assim chamados vetores de suporte ou conjunto de parâmetros ai associados com cada um dos pontos de dados, é zero, exceto para os pontos mais próximos ao separador. O número efetivo de parâmetros definindo o hiperplano é usualmente muito menor do que , aumentando o desempenho por computador. Segundo, os dados entram na expressão 2.16 apenas na forma de produtos indicativos de pares de pontos. Isto permite a oportunidade de aplicar o assim chamado truque de Kernel com

[0177] O qual frequentemente nos permite computar F (xi) • F (xj) sem a necessidade de explicitamente saber F. A função de Kernel K(xi, xj) permite o cálculo do produto indicativo dos pares de conjuntos de entrada no espaço de características correspondente, diretamente. Todavia, a função de Kernel aplicada em toda a presente invenção e á Função de Base radial de Gaussian e tem que preencher certas condições, tais como em,

[0178] Com Y como o parâmetro de Kernel ajustável.

[0179] Por causa do fator que nós discutimos até agora, apenas decisões binárias entre duas classes, nós observamos aqui que também é possível permitir decisões mais suaves e de classes múltiplas. Esta última pode ser conseguida em etapas por intermédio de um acoplamento de paridades de cada uma das classes contra as classes _ 1 remanescentes.

[0180] Assim sendo, a SVC pode ser usada para aprender dados complicados. A mesma estrutura tais dados em um conjunto de classes de uma maneira temporal. O mapeamento em um espaço dimensional mais alto e encontro de separadores lineares otimizados permita a SVM usar técnicas de computador eficientes tal como vetores de suporte e o truque de Kernel. Vizinhos Próximos-K Cotanosos

[0181] Diferente das Máquinas de Vetor de Suporte previamente discutidas, um algoritmo menos complicado, mas altamente eficiente chamado de classificador de Vizinhos Próximos-K Cotanosos (KNN) também pode separar classes dentro dos dados. O algoritmo pode categorizar dados desconhecidos por intermédio do cálculo da distância para um conjunto de vizinhos mais próximos.

[0182] Assuma que temos um conjunto de amostras identificadas com ■ fazendo parte, como um membro, de um grupo de classes conhecido. Se uma nova amostra * é adicionada, é possível calcular a probabilidade de sociedade x para certa classe com a distância do vetor aos membros das classes existentes. A probabilidade de Sociedade como membro na classe A é 90% comparada a classe B com 6% e C com apenas 4%, os melhores resultados aparentam ser aparentes. Em contraste, se a probabilidade para associação como membro na classe A é de 45% e 43% na classe B, isto não é mais algo óbvio. Portanto, KNN proporciona a informação de associação como membro como uma função para os vizinhos mais próximos de K e a sua associação como membro nas possíveis classes. Isto pode ser sumarizado com

[0183] Onde pij é a probabilidade de associação como membro na classe ith do vetor jth dentro do conjunto de amostra etiquetado. A variável é um peso para a distância e a sua influência no que diz respeito a contribuição ao valor de associação como membro calculado.

[0184] Quando aplicado, nós frequentemente ajustamos '■ = - e o número de vizinhos mais próximos

[0185] Aprendizado reforçado

[0186] Em contraste aos métodos de aprendizado anteriores, os quais aprendem modelos de funções ou probabilidades a partir de dados de treinamento, o aprendizado reforçado (RL) pode facilitar o aprendizado usando retornos ambientais a partir das ações próprias de um agente em longo prazo, sem a necessidade de um professor. Isto envolve a diferença entre o aprendizado supervisionado e não supervisionado. Se um objetivo de longo prazo é procurado, retorno ambiental positivo, também conhecido como recompensa ou reforço, pode suportar o aperfeiçoamento. Um agente pode aprender a partir de recompensas como otimizar a sua política ou estratégia de interagir com o mundo real, a melhor política sendo aquela que otimiza a recompensa total esperada. O RL não requer um modelo anterior completo do ambiente nem uma função de recompensa total. Portanto, os agentes artificiais indicam uma capacidade cognitiva e atua de uma maneira similar a animais, os quais podem aprender a partir de resultados negativos como dor e fome e a partir de recompensas positivas como prazer e comida. Neste caso nós podemos escolher que o agente tenha um approach de função de valor, no qual o mesmo tenta maximizar o seu retorno ambiental.

[0187] No RL um agente toma as ações, at, em um ambiente que o mesmo percebe ser o seu estado corrente, st, com o objetivo de maximizar as recompensas em longo prazo, rt, aprendendo certas políticas, ", Todavia, antes que possamos iniciar o aprendizado com reforço nós temos que encontrar as respostas no que diz respeito ao desenho apropriado do agente. O agente poderia tentar maximizar o retorno esperado por intermédio de uma estimativa do retorno para uma política ", Este comportamento do agente também é referido a como estimativa de função de valor. O agente pode avaliar a ação por intermédio da estimativa do valor do estado usando uma função de valor - estado 5 , considerando certas políticas • ■ q que são continuamente diferenciáveis, como em

[0188] Usando esta função, o agente pode estimar o retorno esperado para um dado estado e seguindo uma política. Também poderia ser estimado o retorno esperado para uma ação seguindo dados de estado e política. Portanto, o agente escolhe uma ação considerando o dado estado a partir da função estado - ação ou função Q, como em,

[0189] Portanto, a próxima ação depende da função de recompense 7 e com o objetivo de permitir ao agente conceder uma concessão para as futures recompensas esperadas sobre as correntes recompensas, o fator de desconto £ • £ 1 pode ser selecionado. É possível estabelecer quanto o agente deveria descontar para as futuras recompensas, por exemplo, futuras recompensas são irrelevantes para = ':.

[0190] No RL, os métodos podem ser subdivididos em grupos tais como uma função de valor com base em métodos ou busca de política direta. Muitos e diferentes algoritmos ator - crítico são métodos com base em função de valor estimando e otimizando o retorno esperado para uma política. Com o objetivo de realizar um método com base em função de valor, o comportamento para um agente artificial e o problema de controle correlacionado pode ser declarado como um Processo de Decisão de Markov (MDP). O sistema percebe o seu ambiente sobre o conjunto de estado contínuo, onde 5: = e são o estado inicial. O mesmo pode escolher a partir de um conjunto de ações possível de -v = -- ’ no que diz respeito a uma política estocástica e paramétrica definida como π(at|st)= p(at|st, wt), com os parâmetros de política -••-••. Com uma política de aprendizado, a mesma pode ser mapeada a partir de estados a ações no que diz respeito às recompensas esperadas > = --. A recompensa depois de cada uma das ações depende de > < -v . Se nenhum modelo ambiental se encontra disponível, os métodos mencionados de ator - crítico podem potencialmente desenvolver algoritmos de busca de políticas. O nome é derivado a partir do teatro onde um ator adapta as suas ações em resposta ao retorno a partir de um crítico. Isto pode ser obtido usando uma dada função de avaliação como uma função de peso de um conjunto de características ou uma assim chamada função de base ^(s), a qual então fornece a aproximação da função estado - valor com os parâmetros de função de valor v, como em

[0191] O aperfeiçoamento e intensificação da política é uma questão de otimização que pode ser endereçada com uma gradiente de política. A escolha do método de gradiente de política é algo crítico para a convergência e eficiência. Ambos aparentam ser conseguidos por intermédio do algoritmo Ator - Crítico natural (NAC) conforme é descrito por J. Peters and S. Schaal, “Natural actor-critic”, Neurocomputing, Vol. 71, no 7-9, pp. 1180-1190, 2008, onde um ator intensifica e aperfeiçoa mediante o uso de um derivativo de política de um crítico g conforme a equação 2.24,

[0192] A etapas para intensificação e aperfeiçoamento de parâmetros de política do algoritmo de NAC são então calculados usando, wt+1 = wt + α g, (Fórmula 2.25)

[0193] onde α é uma taxa de aprendizado, e g é a gradiente natural calculada usando a métrica de Fisher ou é derivada a partir da política conforme é demonstrado na publicação do algoritmo de NAC mencionado. O algoritmo de NAC com o LSTD-Q é totalmente documentado na tabela 1 na página 1183 de J. Peters and S. Schaal, “Natural actor-critic”, Neurocomputing, vol. 71, no. 7-9, pp. 1180-1190, 2008. O mesmo é aplicado com uma política paramétrica com os parâmetros iniciais w = w0 compreendendo as seguintes etapas no pseudocódigo:

[0194] 1: INÍCIO: estado inicial de sorteio s0 ~ p(st) e seleciona parâmetros At+1 = 0; bt+1 = zt+1 = 0

[0195] 2: Para t = 0,1,2,...do

[0196] 3: Executa: Sorteia ação at ~ π(atIst), observa o próximo estado

[0197] st+1 ~ p(st+11 st, at), e recompensa rt = r(st, at).

[0198] 4: Avaliação Crítica (LSTD-Q(À)): Atualiza

[0199] 4.1: Funções de base:

[0200] 4.2: estatísticas: zt+1 =ÀZt + Φt ; At+1 = At + zt+1 (^ t Y ^t )T ... . ) ; bt+1 = bt + zt+1 rt,

[0201] 4.3: Parâmetros Críticos: [vt+1 ,gt+1 ] =At+1 1 bt+1,

[0202] 5: Ator: se uma gradiente estimada é exata, atualiza os parâmetros de política,

[0203] 5.1: wt+1 = wt + α g t+1 e esqueça (reset) as estatísticas. TÉRMINO.

[0204] As funções de base ^(s) podem ser representadas por intermédio do mapeamento da entrada dos dados de sensores em um espaço de características conforme nós discutimos em outra parte deste documento. Neste caso, as funções de base são iguais aos valores de características. As funções de base também ser escolhidas diferentemente ou o agente pode usar dados de sensores brutos. As funções de base também podem incorporar métodos adaptativos ou uma etapa de aprendizado própria que é maximizada com os resultados da função de recompensa.

[0205] É importante notar que outros agentes de RL também podem ser aplicáveis. Muitos outros conceitos de agentes de aprendizado de políticas podem ser aplicados. É adicionalmente inventivo usar outras fontes como um sinal de recompensa rt além da saída de classificação ou indicador de qualidade. Por exemplo, é possível aplicar um processo posterior ou um sensor pré-processo como uma fonte de sinal de recompensa. A função de recompensa poderia ser o valor de probabilidade entre 0 e 1 ou -1 a 1 de um dados de medição de um sensor pós processo para ser parte de uma classe boa ou ruim, algo que é determinado por intermédio de um classificador conforme é aqui acima descrito. No caso de um sensor de pré-processo for usado para uma dada recompensa ":. Um agente de RL poderia encontrar um conjunto de parâmetros para atingir este objetivo. Assim sendo, o aprendizado de reforço pode ser uma etapa em um sentido a um objetivo em longo prazo uma vez que o mesmo engloba o aprendizado de uma política a partir de dadas recompensas usando algoritmos de busca de políticas tais como a de Ator - Crítico Natural. Arquitetura de Técnica Cognitiva

[0206] Um agente artificial é qualquer coisa que perceba o seu ambiente através de sensores e que atua em consequência e através destes atuadores. Um agente é definido como uma arquitetura com um programa. O modelo de função de inspiração para isto é a cognição natural, e nós queremos realizar uma cognição de atuação similar para os sistemas técnicos. Portanto, o agente será equipado com capacidades cognitivas, tais como resumindo informação, aprendizado e tomadas de decisões para uma estação de trabalho de fabricação. Como parte do processo, esta seção introduz uma arquitetura que cria e permite aos agentes gerenciar as funções de produção. Com o objetivo de fazer isto, os agentes seguem um laço cognitivo de percepção - ação, por intermédio da leitura de dados a partir de sensores e definindo ações para os atuadores.

[0207] Uma capacidade cognitiva natural é a capacidade de resumir informação relevante a partir de um conjunto de dados maior e de diferenciar entre as categorias dentro desta informação. A transferência deste conceito a partir de cognição natural para o mundo de análise de dados matemáticos, uma combinação de técnicas de redução de dados e de métodos de classificação é usado de acordo com a presente invenção para alcançar e conseguir algo que exiba um comportamento similar. Na produção industrial, muitos processos de fabricação podem ser realizados usando um modelo de caixa preta que foca nos prós e contras da caixa, nas suas saídas e entradas, ao invés de no que realmente acontece no lado de dentro da mesma. As conexões a caixa preta que podem ser usadas nos sistemas de produção são geralmente sensores e atuadores. Os sensores tais como câmeras, microfones, sensores táticos e outros, monitoram o processo de produção. Estes sistemas também precisam de atuadores tais como operadores lineares ou operadores de posicionamento robóticos, com o objetivo de interagir com o ambiente. Para cada um dos processos de produção, estes atuadores tem que ser parametrizados. Com o objetivo de aprender como um agente pode adaptativamente controlar pelo menos um parâmetro destes sistemas de produção, muitas combinações de algoritmos de autoaprendizado, técnicas de classificação, repositórios de conhecimento, métodos de extração de características, técnicas de redução de dimensionalidade e técnicas de aprendizado de distribuição poderiam ser usadas. A presente invenção também proporciona técnicas de controle diferentes, ambas: de laço aberto e de laço fechado, usando múltiplos sensores e atuadores diferentes. Depois de muitas simulações e experimentos, uma arquitetura simples que demonstra como essas técnicas podem ser combinadas, provou ser algo com sucesso e confiável, pelo menos no que diz respeito ao processamento de alimentos. Todavia, os processamentos de alimentos podem ser interpretados como uma forma de caixa preta e podem, assim sendo, ser aplicáveis a outros tipos de processos de produção.

[0208] A Figura 17 ilustra uma arquitetura cognitiva que pode ser adequada para agentes de desenho que pode proporcionar um controle de processo de monitoramento ou adaptativo para funções de produção. O diagrama descreve as etapas da unidade de comunicação e de processamento de informação. A cognição natural aparentemente resume informação, primeiramente, por intermédio da identificação de simbolismo representativo, tal como sinais estruturados. Um processo similar pode ser conseguido usando redução de dimensionalidade (DR), em que o agente usa uma representação dimensional baixa dos dados de sensor de entrada. Então, a cognição natural reconhece se, ou não o conhecimento acerca dos eventos sensacionais de entrada já está presente. Essa etapa pode ser alcançada e conseguida por intermédio do uso de técnicas de classificação que categorizam eventos ou características “sensoriais”. Um sujeito natural pode decidir aprender ou planejar novas ações. Com o objetivo de replicar este fator, a arquitetura da presente invenção oferece técnicas de autoaprendizado que alimentam uma lógica de processamento. Na busca em conseguir reações rápidas sem a necessidade de iniciar um processo de tomada de decisão complexo, nós também podemos “ligar diretamente” uma entrada de sensor que pode diretamente iniciar um atuador quando do uso de um desenho de controle de laço fechado. Portanto, a arquitetura da presente invenção pode ser desenhada no que diz respeito a quatro modos de uso, os quais serão discutidos individualmente a seguir: primeiro, resumindo informação relevante; segundo, recebendo retorno a partir de um especialista humano de como monitorar e controlar processos, ou aprendizado supervisionado; terceiro, atuar no que diz respeito a conhecimento aprendido; e quarto, automaticamente, controlar processos em situações previamente desconhecidas.

[0209] Como com outras arquiteturas cognitivas, o objetivo aqui é o de criar agentes com algum tipo de inteligência artificial ou capacidades cognitivas relacionadas a seres humanos.

[0210] Os agentes podem ser compostos de vários componentes a partir de redução de dimensionalidade e de técnicas de classificação diferentes, as quais nos permitem comparar o desempenho dos agentes compostos e os módulos em termos da qualidade do processamento de alimentos em geral. Muitas e diferentes reduções de dimensionalidade e técnicas de classificação podem ser aplicadas e algumas dessas já foram avaliadas no projeto de pesquisa. A arquitetura cognitiva da presente invenção oferece os seguintes módulos para a composição de agentes: Análise de Componente Principal (PCA), Análise Discriminante Linear (LDA), Mapeamento de Características Isométrico (ISOMAP), Máquinas de Vetor de Suporte (SVM), Vizinhos Próximos-K Cotanosos (KNN), Redes em Cadeia de Neurônios Artificiais (ANN), e Aprendizado reforçado (RL), em conjunto com outros métodos. Três realizações da presente invenção de agentes de controle dentro desta arquitetura seriam a agente A ISOMAP, SVM,. ANN e controle de alimentação de energia PID, ou o agente B conectando ISOMAP, SVM e controle de alimentação de energia PID ou o agente C conectando ANN com Cotanosos KNN, para o controle. Resumo de informação relevante

[0211] Em uma condição natural de cognição, nós resumimos ou absorvemos informação a partir de tudo que escutamos que sentimos e que vemos. Portanto, geralmente, nós apenas lembramos aquilo que é mais interessante. Inspirado por isto, um sistema técnico cognitivo deveria, similarmente, resumir informação relevante a partir de um processo de produção . Trabalhar com características resumidas ao invés de trabalhar com dados de sensor brutos tem certas vantagens. Muitos sinais de sensores fracos podem ser reduzidos em dimensão para menos, porém melhores sinais, resultando em uma característica mais confiável. Adicionalmente, com o obje6tivo de realizar controle de processamento em tempo real, se faz necessário reduzir o volume dos dados de entrada dos sensores porque uma quantidade maior de dados pode ter uma influência significativa no que diz respeito a causar tempos de execução mais longos em todo o sistema.

[0212] A arquitetura da presente invenção requer um teste de funcionamento com o objetivo de resumir a informação inicial. Durante este período de treinamento do agente, a taxa de parâmetro do atuador que será controlado é alterada. Com o objetivo de determinar qual informação é a mais relevante, o agente deveria explorar a sua própria taxa de ações. Depois do teste de referência inicial, o sistema analisa os dados de sensores gravados com o objetivo de descobrir características representativas. O agente pode resolver cálculos de características separadamente para tipos diferentes de sensores, mas as unidades sensoriais deveriam idealmente ser treinadas para mapear a entrada sensorial no espaço de características aprendido. Encontrar uma representação útil do espaço de características é algo crítico porque o sistema só será capaz de reconhecer ou reagir a mudanças nos valores de características. O propósito do processamento cognitivo da presente invenção é o de proporcionar o quanto de informação for possível para as etapas de processamento subsequentes. Todavia, os dados de sensores brutos contêm repetições, correlações e interdependências que podem ser ignoradas. Portanto, com o objetivo de resumir a informação relevante, as características mais significativas, ou aquelas que contém a maioria da informação, deveriam ser identificadas. Com o objetivo de realizar isto “cognitivamente”, um agente deveria desempenhar esta função sem a necessária supervisão de um especialista humano. Portanto, um método de extração de informação é escolhido, o qual pode ser aplicado a todos os diferentes tipos de funções de processamento e aos dados de sensores correspondentes sem a necessidade de mudar a parametrização ou a reconfiguração. A distribuição de aprendizado ou as técnicas de redução de dimensionalidade satisfaz esta necessidade. Elas podem reduzir um conjunto de dados de sensores ■'■ da dimensão : no espaço de observação em um conjunto de dados - da dimensão no espaço de características. Frequentemente, a nova quantidade é muito menor do que ■. Todavia, muitas técnicas de redução de dimensionalidade linear e não linear foram ensaiadas e testadas com diferentes propósitos. A presente invenção proporciona uma técnica de extração de características adequada para a produção em estações de trabalho/operacionais em conformidade com os seguintes requerimentos do método de extração de características que trabalham transparentemente e é capaz de exibir as etapas de processamento para o usuário. O método de extração de características é capaz de ser realizado sem supervisão. O método de extração de características é executável dentro de uma estrutura de tempo razoável para a configuração, especialmente durante o processamento. As características extraídas contêm informação de processo suficiente para uma classificação confiável dentro de várias cargas de alimentos.

[0213] Na sua essência, a PCA busca combinações ortogonais lineares que representam um conjunto de dados maior. Estas combinações podem ser calculadas para os vetores de entrada dos dados do sensor. Estes Eifgen vetores podem servir como as características para a classificação até um limiar de d. A extração de características combinada com a classificação pode ser conseguida usando Análise Descriminante Linear. A análise do mesmo conjunto de dados usando LDA e três classes de qualidades aprendidas definidas como “boa”, “média”, e “ruim/má”, proporciona outro conjunto de características. A extração de características também pode ser realizada usando o algoritmo de ISOMAP. Infelizmente, as características não lineares não podem ser exibidas da mesma maneira que a extração de características linear de LDA e de PCA. As características extraídas dos métodos aqui acima mencionados são comparadas a seguir. As características de LDA aparentem conter mais detalhes do que quaisquer outras características de PCA. Usando este método de calcular, as características de LDA aparentam conter mais informação de processamento em menos características do que PCA porque as mesmas são especialmente desenhadas para separar as classes desejadas. Adicionalmente, é possível exibir as características calculadas usando PCA e LDA de tal maneira a fazer dois métodos mais transparentes do que ISOMAP. O usuário tem uma ideia de como um processo aparenta, se uma característica é identificada em um vídeo processual simplesmente olhando/assistindo o mesmo. A PCA e ISOMAP tem a vantagem de que os mesmos podem funcionar sem supervisão, algo que não é possível com LDA. Portanto, LDA meramente serve como uma comparação a PCA, mas não é considerada como uma alternativa para a arquitetura desejada. Adicionalmente, as características de LDA aparentam ser muito individualizadas para um processo em particular. ISOMAP tem tempos de execução consideravelmente mais altos para a análise e para uma extensão fora da amostragem. Portanto, se a classificação com PCA alcança resultados suficientes, então é mais aplicável ao sistema sob pesquisa. Portanto, o método de escolha seria PCA, a não ser que ISOMAP mostre um desempenho significativamente melhor em um sentido ao primeiro objetivo da presente invenção. Nós temos que adiar a escolha final das técnicas de redução de dimensionalidade porque as medidas de qualidade mais importantes são resultados experimentais, os quais são a base da presente invenção.

[0214] Na sua essência, a redução de dimensionalidade pode permitir aos agentes resumir informação relevante em termos de detectar variâncias e similaridades durante um período de treinamento. Isto auxilia o agente a processor apenas alguns poucos valores comparado ao volume significativamente mais alto dos dados de sensores brutos. Adicionalmente, a redução de dimensionalidade pode suportar a percepção de similaridades em situações desconhecidas, por exemplo, características similares de processamento de alimentos tais como tamanho do alimento e forma do alimento, mesmo se os mesmos não forem parte do treinamento. Isto pode aperfeiçoar e intensificar a adaptabilidade dos agentes no que diz respeito a situações desconhecidas, mas similares. Aprendizado supervisionado a partir de especialistas humanos

[0215] Na cognição humana natural, por exemplo, durante a infância, nós frequentemente aprendemos a partir de outros como gerenciar funções complexas. Similarmente, uma máquina deveria ter a possibilidade de aprender esta função inicialmente a partir de um especialista humano. O aprendizado supervisionado aparenta ser a maneira mais eficiente de estabelecer um agente cognitivo para produção. Na produção industrial, um supervisor humano qualificado se encontra usualmente presente quando o sistema de produção está sendo instalado ou configurado. A arquitetura que nós estamos examinando usa a comunicação humano - máquina com o objetivo de receber um retorno a partir de um especialista, por exemplo, através de um gráfico intuitivo de usuário sobre um computador tipo “tablete” com tela sensível ao toque. Conforme aqui acima mencionado, pelo menos um teste de ação por atuador ou por teste de funções se faz necessário nesta arquitetura como uma fase de aprendizado inicial. Durantes esses testes, o agente executa um atuador a partir de dentro das ações com um alcance desejado, e a entrada dos dados de sensor é armazenada. Depois desta ação, um especialista proporciona um retorno no que diz respeito ao fator se o robô executou o atuador corretamente ou se a ação não obteve sucesso e foi indesejada. O retorno pode ocorrer em várias categorias diferentes de tal maneira que diferentes tipos de falhas e estratégias de saída possam ser definidos. Uma técnica de classificação pode então coletar as características em conjunto com o retorno supervisório correspondente. Combinado com tabelas de comparação o módulo classificador servirá como conhecimento e como um repositório de planejamento para uma classificação do corrente estado do sistema. Como um agente pode desempenhar as suas próprias ações e fornecer um retorno propriamente dito será algo de importância para a próxima seção; esta seção, principalmente, cobre a capacidade cognitiva do aprendizado a partir de um especialista humano e a aplicação deste conhecimento para os propósitos de monitoramento.

[0216] Máquina de vetor de Suporte, Vizinhos Próximos-K Cotanosos, e Redes em Cadeia de Neurônios Artificiais como técnicas de classificação foram discutidas. Quanto mais um especialista humano ensina a máquina, mais provável será que o sistema alcançara o objetivo desejado. Com o objetivo de economizar custos, o tempo de supervisor humano necessário deveria ser minimizado para apenas um ou dois testes de referência, se possível for. Aprendizado semisupervisionado

[0217] A discussão anterior mostra como agentes na arquitetura cognitiva investigada percebem e assimilam o seu entorno e aprendem a partir de um especialista humano, assim como exibem o seu conhecimento em termos de monitoramento. O sinal de monitoramento proporcionado com base em características selecionadas é obtido a partir de sensores diferentes que são interpretados usando um classificador treinado. Este sinal de monitoramento aparenta ter uma qualidade intensificada e pode ser aplicável no que diz respeito ao controle de parâmetros de processamento. O agente então trocaria a sua posição a partir de observar o processamento para, realmente, agir no que diz respeito ao conhecimento adquirido. Todavia, se um agente também é aplicável para processar o controle do processamento industrial, o agente tem que preencher vários requerimentos com um desempenho próximo à perfeição. Os aqui a seguir, são alguns dos requerimentos para a arquitetura cognitiva em questão: o módulo de controle de processamento deveria ser capaz de completar pelo menos um ciclo de controle a partir da entrada de sensor para saída de atuador. O parâmetro controlador deveria ter um efeito sobre a saída do processamento quando alterado, enquanto simultaneamente responder de uma maneira temporizada. O módulo de controle de processamento deveria ser otimizado em termos de proporcionar um equilíbrio de estabilidade confiável e de dinâmica necessária.

[0218] Com o objetivo de realizar um controle de processamento robusto e forte que é adequado para o processo de produção industrial, um controle rápido ou em tempo real de laço fechado é, frequentemente, requerido. A vantagem da arquitetura sob investigação é que o uso de características ao invés dados de sensores brutos permite uma complementação mais rápida dos laços de controle com um mínimo de perda de informação. Nesta arquitetura, qualquer tipo de desenho de controlador pode ser implementado desde que encaixe com a saída de classificação. Uma versão simples teria três valores de saída de classificação possíveis: mal cozido, classe I; correto, classe II; e sobre cozido, classe III. Isto pode ser expresso usando

[0219] Onde são as probabilidades de classe e o indicador de qualidade.

[0220] Um controlador de PID poderia ajustar um parâmetro dos atuadores do sistema de acordo com o sinal de monitoramento discutido acima cobrindo o aprendizado supervisionado a partir de especialistas humanos. Combinando PID - controle com os resultados de classificação permite aos agentes desempenhar processamento controlado de alimentação de energia. Isto pode ser realizado conforme é mostrado em

[0221] Com - para proporcional, - para integral, e - para comportamento derivativo. O objetivo é o de minimizar o erro =: entre o indicador de qualidade .''=-, a saída do módulo de classificação, e o valor desejado de 0.0. Neste contexto, a aplicabilidade inventiva do valor desejado em dependência de uma probabilidade de classe relacionada ao indicador de qualidade fornece a oportunidade de variar este valor para otimizar os resultados do processo desejado. Um approach descreve um controle de PID com um ANN e com experimentos correspondentes. Outro approach investiga o uso de um módulo de classificação SVM para controlar o processamento de alimentos. Aprendizado não supervisionado

[0222] Conforme fora sugerido, um mecanismo de autoaprendizado é integrado no sistema da presente invenção. Uma checagem de novidades com base nas características de treinamento pode detectar situações novas ou previamente desconhecidas. Nestes casos, o sistema desempenha outra ação de teste e classifica o novo alimento usando as características previamente de treinamento. Desta vez não precisa consultar um especialista humano; o mecanismo pode mapear o conhecimento adquirido por sobre a o novo alimento automaticamente e pode ajustar o processo de controle apropriadamente.

[0223] Com o objetivo de conseguir um controle de retorno do processo, o sinal de monitoramento é usado como uma variável de controle. Uma variável atuante, a qual poderia possivelmente ser qualquer parâmetro alterável de processo com um interrelacionamento com '=, a alimentação de energia aparenta ser adequada para a sua baixa inércia e a sua forte relação com .’■■=■. A sua magnitude é calculada por intermédio de um algoritmo de PID conforme é mostrado na equação 3.2. Com o objetivo de conseguir o controle do processamento, o agente fecha o laço por intermédio de conectar o sinal de monitoramento a um controlador de PID, conforme é mostrado na equação 3.2. O controlador de retorno é desenhado como um sistema de controle de simples entrada e de simples saída (SISO), o qual recebe o sinal de monitoramento . =■ a partir da unidade de classificação com ::: s 1 para uma alimentação de energia muito baixa e -1 J para uma alimentação de energia muito alta, e usa isto como valores de referência para minimizar o erro do controlador.

[0224] A descrição anterior indicou como os agentes cognitivos aprenderam a partir de um retorno por intermédio de um especialista humano. Deveria ser possível para o sistema cognitivo aprender a partir de suas próprias ações ou para dar um retorno a si próprio. Este tipo de capacidade cognitiva pode ser conseguido com aprendizado reforçado (RL). Um classificador pode assumir a função de fornecimento de retorno e proporcionar um agente de RL com recompensas para as suas próprias ações. O agente então aprende uma política de como agir ou como cozer ao forno com base no retorno ou nas recompensas recebidos a partir do seu desempenho anterior. Com o objetivo de testar isto, a função de aprendizado é, portanto para o agente a aprender como processa alimentos com base no conhecimento adquirido em velocidades diferentes sem uma supervisão adicional de um especialista humano.

[0225] Com o objetivo de conseguir a dada função de aprendizado usando aprendizado reforçado, uma função de recompensa se faz necessária. Conforme o sistema tem entradas múltiplas de dados de sensores, um classificador identificando características de um bom cozimento, tal como uma Máquina de vetor de Suporte, pode servir como uma função de recompensa rt, conforme é aqui mostrado na Figura 23. Estas recompensas podem preencher a função de um crítico no Método Natural Ator - crítico, o qual fora anteriormente descrito. Portanto, a próxima ação que o agente escolhe é a de alimentação de energia absoluta -:. A ação escolhida depende da política aprendida, conforme é aqui mostrado em,

[0226] Os parâmetros de politica dependem da gradient £ e w:-i, como na equação 2.25. Todavia, para uma completa revisão do algoritmo aplicado, por favor, consulte o Algoritmo Natural de Ator - Crítico com Aprendizado de menos Quadrados de Diferença Temporal LSTD-Q(À). A política deveria permitir ao agente mapear a partir de estados st, para ações at, por intermédio do aprendizado a partir das recompensas rt. As recompensas naturalmente influenciam os parâmetros de política. A melhor política do agente de RL da presente invenção sob investigação da presente invenção foi descoberta com uma função sigma.

[0227] onde Lm é a potência máxima permitida e n é o ruído de exploração determinado por intermédio do produto de um número aleatório a partir de -1 a 1 e o parâmetro de exploração ε.

[0228] A presente invenção investigou módulos que são adequados para uma arquitetura cognitiva para máquinas de produção de alimentos dentro de um laço cognitivo de percepção - ação conectando sensores e atuadores. As capacidades cognitivas são: para resumir informação relevante; para aprender a partir de um especialista humano; para usar o conhecimento adquirido para a tomada de decisões; e para aprender como gerenciar situações que o agente não tenha sido treinado anteriormente.

[0229] Como já fora acima mencionado, as técnicas de aprendizado de máquina previamente discutidas podem ser implementadas em qualquer das realizações aqui descritas de um sistema para o monitoramento de tratamento térmico.

[0230] A seguir, uma realização de um sistema de tratamento térmico 100 ilustrado na Figura 18A e 18B será descrito. O sistema para o monitoramento de tratamento a calor compreende um forno 100 e um aparelho de monitoramento 150 conforme é descrito aqui acima no que diz respeito às Figuras 1A e 1B. Todavia, a realização conforme é descrita no que diz respeito a Figura 18A não deveria ser restrita ao uso da janela 130 conforme é aqui acima descrito, assim sendo qualquer tipo de janela 1800 adaptada para permitir a câmera 160 observar o alimento a ser aquecido, pode ser usado. A realização do aparelho de monitoramento 150 não deveria, adicionalmente, ser restrito ao seu emprego na realização da Figura 1A e 1B, mas pode ser adicionalmente empregada no cozimento ou nas linhas de pré-cozimento of nas linhas de aquecimento de alimentos conforme é descrito no que diz respeito às Figuras 8 e 10 ou em qualquer outra realização conforme é acima descrito.

[0231] Um diagrama em bloco de uma realização do aparelho de monitoramento 150 é mostrado na Figura 18B. Em conformidade, o aparelho de monitoramento 150 e o sistema para o monitoramento 100 compreendem uma unidade de sensores 1810 tendo pelo menos um sensor 1815 para determinar os dados de sensor correntes do alimento sendo aquecido, uma unidade de processamento 1820 para determinar os dados de sensor correntes a partir dos dados de sensor correntes, e uma unidade de monitoramento 1830 adaptada para determinar um estado do processo corrente de aquecimento em um processo corrente de aquecimento do alimento monitorado por intermédio da comparação dos dados correntes de características com dados referentes de referência de um processo de aquecimento de referência. Adicionalmente, o sistema para o monitoramento de tratamento térmico compreende uma unidade de aprendizado 1840 adaptada para determinar um mapeamento dos dados de sensor correntes aos dados correntes de características, e para determinar dados de características de referência de um processo de aquecimento de referência com base nos dados de características de pelo menos um processo de aquecimento preliminar. O aparelho de monitoramento 150, adicionalmente, compreende uma unidade classificação 1850 adaptada para classificar o tipo de alimento a ser aquecido e para escolher um processo de aquecimento de referência correspondendo ao determinado tipo de alimento. Deveria ser aqui enfatizado que as respectivas unidades 1820, 1830, 1840 e 1850 podem ser proporcionadas separadamente ou também podem ser implementadas como um software sendo executado por intermédio de uma CPU do aparelho de monitoramento 150.

[0232] A unidade de sensores 1810 compreende pelo menos um sensor 1812, no qual o sensor 1812 pode ser qualquer sensor conforme descrito na aqui acima descrição, em particular uma câmera 160 conforme é descrito no que diz respeito as Figuras 1A e 1B, qualquer sensor do sistema de sensores 850 descrito no que diz respeito as Figuras 7 ou 8 ou o sistema de sensores descrito no que diz respeito a Figura 12. Em particular, o pelo menos um sensor 1812 da unidade de sensores 1810 compreende pelo menos um higrômetro, um sensor de inserção de temperatura, um sensor de temperatura na câmara de tratamento, sensores acústicos, balanças, temporizador, sensor de imagem de câmera, os meios para determinar os perfis de temperatura de sensores de inserção de temperatura, os meios para determinar emissões eletromagnéticas ou acústicas do processamento do alimento a ser tratado como luz ou som sendo refletido ou emitido em resposta a emissores de luz ou de som ou de fontes, os meios para determinar resultados a partir de medições em 3D do alimento a ser aquecido incluindo sistemas de câmera de 3D ou estéreo ou radar, ou os meios para determinar o tipo de constituição ou padrão ou características óticas ou volume ou a massa do alimento a ser tratado. De acordo com esta realização, é benéfico usar o máximo de entradas de dados de sensores conforme for possível. Qual sinal de sensor proporciona a melhor informação é algo difícil de prever. Conforme os algoritmos detectam a variância de uma referência de cozimento, a unidade de aprendizado 1840 usada para implementar o aprendizado da máquina pode escolher dados de sensores diferentes para produtos de cozimento individualmente diferentes. Algumas vezes a variância de cor e de volume pode ser os dados mais significativos, algumas vezes pode ser a umidade, a temperatura e o peso.

[0233] Em uma realização, a unidade de sensores 1810 compreende a câmera 160 como o único sensor 1812, o qual acarreta na vantagem de que nenhum sensor adicional tem que ser integrado no aparelho de monitoramento 150. Assim sendo, o aparelho de monitoramento 150 pode ser formado como um invólucro simples e compacto sendo montado em uma porta de forno do forno 110. Todavia, também é possível proporcionar uma interface de entrada de dados de sensores 1814 no aparelho de monitoramento 150, através do qual os dados de sensor correntes dos sensores acima mencionados, podem ser lidos por intermédio da unidade de sensores 1810 e transferidos para a unidade de processamento 1820. Os dados de sensor correntes dos sensores 1812 não são necessariamente dados brutos, mas podem ser pré-processados como dados de pixel pré-processados de HDR da câmera 160 ou dados de sensor pré-processados dos sensores de triangulação de lasers, os quais podem conter, por exemplo, um valor calculado de volume da peça de alimento observada.

[0234] A unidade de processamento 1820, a unidade de monitoramento 1830, a unidade de aprendizado 1840 e a unidade de classificação 1850 cooperam para proporcionar um usuário com um resultado de aquecimento de alimento otimizado com base nas técnicas de aprendizado de máquina conforme é aqui acima descrito.

[0235] Aqui, a unidade de processamento 1820 e a unidade de aprendizado 1840 são proporcionadas para reduzir a quantidade de dados de sensor correnteses do acima mencionado pelo menos um sensor 1812. Em particular, a unidade de aprendizado 1840 é adaptada para determinar um mapeamento de dados de sensor correntes para dados correntes de características por intermédio de uma análise de variância do pelo menos um processo de aquecimento preliminar, para reduzir a dimensionalidade dos dados de sensor correnteses. A unidade de aprendizado 1840 pode ser integrada no aparelho de monitoramento 150 ou pode ser uma unidade externa localizada em outro local, no qual uma conexão de dados pode ser proporcionada, por exemplo, via Internet (conforme é descrito aqui abaixo no que diz respeito ao uso de laços de PCA). O pelo menos um processo de aquecimento preliminar pode, assim sendo, ter como base os dados de sensor correnteses da unidade de sensores 1810 do aparelho de monitoramento local 150, mas também ter como base os dados de sensor correnteses das unidades de sensores de aparelhos de monitoramento adicionais em locais diferentes (no mundo), contanto que o caso do tipo de dados de sensores seja comparável, um com o outro. Por intermédio dos processos de aquecimento de treinamento, os dados de sensores são reduzidos em dimensionalidade, nos quais os dados de sensores com a mais alta variância em tempo são os que têm mais peso.

[0236] A análise de variância desempenhada por intermédio da unidade de aprendizado 1840 compreende pelo menos uma análise de componentes principal (PCA), um mapeamento de características isométricas (ISOMAP) ou análise descriminante linear (LDA), ou uma técnica de redução de dimensionalidade, as quais foram aqui acima descritas em todos os seus detalhes.

[0237] Assim sendo, uma interpretação e seleção das características dominantes podem ser desempenhadas por intermédio da aplicação de PCA ou de análise de componentes principais a uma sequência de dados de processamento de alimentos. Conforme é aqui acima descrito, desta maneira as características podem ser selecionadas por variância e a mais proeminente pode ser muito benéfica para o monitoramento. Por intermédio do desempenho das análises aqui acima descritas, um mapeamento pode ser derivado para mapear os dados de sensores para caracterizar dados sendo reduzidos em dimensionalidade e sendo característicos para a unidade de processo de aquecimento sendo desempenhada e monitorada pelo aparelho de monitoramento 150. O mapeamento, o qual também pode ser recebido a partir de um servidor externo, ou pode ser armazenado em uma memória no aparelho de monitoramento 150, é então aplicado por intermédio da unidade de processamento 1820 para mapear os dados de sensores correntes de entrada a partir da unidade de sensores 1810 para os dados de características correntes, os quais são então transmitidos para a unidade de monitoramento 1830. É aqui enfatizado que em alguns casos, o “mapeamento” pode ser para alguns dados de sensores, um mapeamento de identificação, assim sendo alguns dos dados de sensores podem ser iguais aos respectivos dados de características, em particular no que diz respeito aos dados de sensores pré-processados já contendo valores de características como temperatura absoluta no interior da câmara de aquecimento, um valor de volume do alimento a ser aquecido, um valor de umidade da umidade no interior da câmara de aquecimento. Todavia, o mapeamento é preferivelmente um mapeamento no qual a dimensionalidade dos dados é reduzida. A unidade de aprendizado pode adicionalmente ser adaptada para determinar um mapeamento dos dados correntes de características para caracterizar dados por intermédio de uma análise de variância do pelo menos um processo de aquecimento preliminar para reduzir a dimensionalidade dos dados correntes de características.

[0238] A unidade de monitoramento 1830 é então adaptada para determinar um processo de aquecimento corrente em um processo de aquecimento corrente do alimento monitorado por intermédio da comparação dos dados correntes de características com referência aos dados de características de referência de um processo de aquecimento de referência.

[0239] Durante este monitoramento, um dos interesses desejados é o de interpretar os dados correntes de características e chegar a uma decisão sobre o processamento regular e irregular. Com o método indicado, é possível coletar características de comportamento regular e então assumir comportamento irregular, uma vez que os valores de características diferenciam a partir do comportamento regular previamente aprendido. Isto pode ser suportado por intermédio da inclusão de classificadores tais como Máquinas de Vetor de Suporte ou Vizinhos Próximos-K Cotanosos conforme foi aqui acima descrito. A unidade de monitoramento 1830 pode ser adaptada para determinar pelo menos uma ação de pelo menos um atuador com base nos dados de características correntes determinadas ou estado do processo de aquecimento corrente, no qual a unidade de controle 1300 conforme fora aqui acima descrita, pode ser implementada na unidade de monitoramento 1830. Assim sendo, a unidade de monitoramento 1830 pode ser adaptada para executar todas as técnicas de aprendizado de máquina conforme foi aqui acima descrito.

[0240] De acordo com uma realização, os dados de características de referência de um processo de aquecimento de referência são comparados com os dados de características correntes para determinar um estado de processo de aquecimento corrente. Os dados de características de referência podem ser dados predeterminados recebidos a partir de um servidor externo ou armazenados em uma memória do aparelho de monitoramento 150. Em outra realização, a unidade de aprendizado 1840 (externa ou interna em relação ao aparelho de monitoramento 150), pode ser adaptada para determinar os dados de características de referência de um processo de aquecimento de referência por intermédio da combinação de dados de características predeterminado de um programa de aquecimento com um conjunto preliminar de dados de referência de pelo menos um processo de aquecimento preliminar sendo classificado como sendo parte do conjunto preliminar por intermédio de um usuário. O programa de aquecimento pode ser subentendido como uma sequência dependente de tempo de dados de características sendo algo característico para certos tipos de alimentos a serem aquecidos.

[0241] Por exemplo, um processo de aquecimento de referência ou um programa de aquecimento predeterminado pode ser uma sequência de dados de características em tempo de certo tipo de alimento a ser aquecido como um Croissant, o qual acarreta em um resultado de aquecimento ou de cozimento otimizado. Em outras palavras, se os dados de características correntes seguem exatamente a trajetória dependente de tempo dos pontos de dados de características de referência no espaço de referência tendo a dimensionalidade do número de características relevantes escolhidas, o alimento será aquecido de uma maneira otimizada depois de um tempo otimizado predeterminado, por exemplo, o Croissant será cozido perfeitamente. O tempo otimizado pode ser dependente da temperatura no interior da câmara de aquecimento ou de cozimento.

[0242] Combinando os dados de características predeterminados de um programa de aquecimento com um conjunto preliminar dos dados de características do pelo menos um processo de aquecimento preliminar sendo classificado como sendo parte do conjunto preliminar por um usuário, significa que uma nuvem de ponto de dados de características no espaço de características do conjunto preliminar (por exemplo, do pelo menos um processo de aquecimento preliminar sendo considerado como sendo “bom” por intermédio de um usuário), é mediada para cada ponto de tempo (um ponto central da nuvem de pontos é determinado no interior do espaço de características) e então usada para adaptar o programa de aquecimento predeterminado. Isto pode ser feito por intermédio de, adicionalmente, mediar as características do programa de aquecimento e as características do conjunto preliminar igualmente ou de uma maneira pesada para ponto em tempo. Por exemplo, a pesagem do conjunto preliminar pode ser 25%, a pesagem para o programa de aquecimento pré-determinado pode ser 75%.

[0243] Assim sendo, pelo menos um cozimento de referência (processo de aquecimento preliminar), pode ser considerado como que otimizará cozimentos subsequentes. Retornos adicionais a partir de cozimentos subsequentes podem otimizar os programas de cozimento individuais em conformidade. Em conformidade, é possível conseguir uma qualidade de cozimento mais consistente se o cozimento corrente estiver sendo adaptado por intermédio dos dados de sensores correntes e as suas alterações calculadas tomadas a partir da diferença do cozimento corrente e do assim chamado “verdade completa” (processo de aquecimento de referência), a qual é o programa de cozimento (programa de aquecimento predeterminado) combinado com os dados de características de pelo menos um cozimento de referência (conjunto preliminar), assim como os dados de características a partir do retorno mais recente (conjunto preliminar) para o programa de cozimento e os seus dados de sensores em conformidade.

[0244] Assim sendo, é possível calcular características significativas com valores de características correspondentes a partir dos dados de sensores de um cozimento de referência combinado com o tempo que passou do programa de cozimento. Aqui é possível o uso de várias variações de cálculos de características diferentes e não selecioná-los por intermédio de variância. Um mecanismo possível para selecionar a variância é a Análise de Componente Principal (PCA), aqui acima descrito. Quando várias características e valores de características sobre o tempo são calculados a partir de um cozimento de referência, é possível selecionar estes conjuntos de características e valores de características sobre o tempo com a PCA.

[0245] É possível automaticamente desenhar um algoritmo de controle para os cozimentos repetitivos por intermédio de considerar pelo menos as características e os conjuntos de dados de valores de características mais significativos, preferivelmente aqueles com as variâncias mais significativas. Se vários cozimentos de referência se encontram presentes é preferível considerar aquele com a mais alta variância e com a mais alta repetição de valores de referência.

[0246] Para implementar a acima mencionada possibilidade de adaptar o programa de aquecimento predeterminado para formar uma “verdade completa”, por exemplo, o processo de aquecimento de referência, o aparelho de monitoramento 150 pode adicionalmente compreender uma unidade de gravação 1822 para gravar dados de características correntes de um processo de aquecimento corrente, no qual a unidade de aprendizado 1840 é adaptada para receber os dados de características correntes gravados a partir das unidade de gravação 1822 para ser usado como dados de características de um processo de aquecimento preliminar.

[0247] A unidade de classificação 1850 pode ser proporcionada para classificar o tipo de alimento a ser aquecido. Isto pode ser realizado por intermédio de processamento de imagem de uma imagem de pixel do alimento a ser aquecido, por exemplo, por intermédio de técnicas de reconhecimento facial. Depois de determinar o tipo de alimento a ser aquecida (pão de hamburguer, muffin, croissant ou pão comum), a classificação pode ser usada para selecionar um programa de aquecimento predeterminado ou um processo de aquecimento de referência armazenado correspondendo ao respectivo tipo de alimento a ser aquecido. Adicionalmente, subcategorias podem ser proporcionadas, por exemplo, pequenos croissants. Croissant médio ou croissant grande. Processo de aquecimento de referência diferente também pode ser armazenado no que diz respeito a categorias que não sejam de tipos de alimentos. Por exemplo, pode haver um programa de aquecimento de referência correspondendo a ambientes dependentes de tempo ou de parâmetros de fornos diferentes.

[0248] Por exemplo, dados climáticos podem ser implementados no procedimento de cozimento da presente invenção. Por intermédio do conhecimento da altitude geográfica da posição geométrica do forno de cozimento, o ponto de ebulição pode ser determinado, assim sendo acarretando em uma adaptação do programa de cozimento. Adicionalmente, pressão local, temperatura e dados de umidade do ambiente de um forno podem ser usados para adicionalmente adaptar o programa de cozimento. Assim sendo, estes dados podem ser gravados e usados como dados de índice para certos programas de aquecimento de referência, os quais então podem ser consultados na memória.

[0249] Adicionalmente, as estatísticas de cargas, unidades e correções também podem ser usadas como dados para um procedimento de cozimento de auto aprendizado inventivo. Assim sendo, um histórico de dados de cozimento pode auxiliar em aperfeiçoar o procedimento de cozimento da presente invenção. Por intermédio do retorno distribuído sendo contabilizado por intermédio de uma definição de função, o processo de cozimento da presente invenção pode ser aperfeiçoado. Os sistemas de monitoramento de tratamento térmico em uso podem ser adicionalmente exibido em um mapa mundial em zoom.

[0250] Adicionalmente, o histórico de dados de cozimento também pode considerar e incluir a quantidade de produtos em cozimento produzidos em certo tempo. O sistema para o monitoramento de tratamento térmico pode buscar no histórico de dados de cozimento a produção mínima e a produção máxima ocorrendo periodicamente e estimar a ocorrência da próxima mínima e da próxima máxima. O sistema para o monitoramento de tratamento térmico pode então informar a um usuário do sistema se muitos ou poucos alimentos são produzidos para aquele período de tempo do mínimo e do máximo esperados.

[0251] O estado de processo de aquecimento corrente é determinado por intermédio da comparação dos dados de características correntes com dados de características de referência. A comparação pode ser a determinação das distâncias dos dados de características correntes e dos dados de características de referência para cada ponto de tempo do programa de aquecimento de referência. Assim sendo, por intermédio da determinação da menor distância das distâncias determinadas, o ponto de tempo da menor distância podem ser consultados no programa de aquecimento de referência e, assim sendo, por exemplo, um tempo remanescente de cozimento pode ser determinado.

[0252] Conforme é acima descrito, a unidade de sensores 1810 pode compreender uma câmera como a câmera 160 gravando uma imagem de pixel do alimento sendo aquecido, em que os dados de sensores correntes da câmera correspondem aos dados de pixel correntes de uma imagem de pixel corrente.

[0253] A detecção de características para o processamento de imagens pode compreender as seguintes etapas: detecção de bordas, de quinas, manchas, regiões de interesse, pontos de interesse, processamento de cores ou imagens de níveis de cinza, formatos, cumes, manchas ou regiões de interesse ou pontos de interesse. As características a partir dos dados de sensor também podem compreender seleção de amplitude do alvo ou seleção de características com base em frequência.

[0254] Aqui, as bordas são os pontos onde há um limite (ou uma borda) entre duas regiões de imagens. Em geral, uma borda pode ser de qualquer formato arbitrário, e pode incluis juntas. Na prática, as bordas são usualmente definidas como conjuntos de pontos na imagem, os quais têm uma magnitude de gradiente muito forte. Adicionalmente, alguns algoritmos comuns encadeirarão os pontos de gradientes altos em conjunto para formar uma descrição mais completa de uma borda. Estes algoritmos usualmente introduzem alguma restrição no que diz respeito às propriedades de uma borda, tal como formato, suavidade e valor de gradiente. Localmente, as bordas têm uma estrutura dimensional.

[0255] Os termos quinas e pontos de interesse são usados de uma maneira como que intermutavelmente e referem-se a características similares a um ponto em uma imagem, as qual tem uma estrutura bidimensional. O nome “quina” surgiu uma vez que algoritmos anteriores primeiramente desempenhavam a detecção de bordas e então analisavam as bordas para encontrar rápidas mudanças em direção (quinas). Estes algoritmos foram então desenvolvidos de tal maneira que a detecção explícita de uma borda não era mais requerida, por exemplo, quando se olhava a altos níveis de curvatura no gradiente da imagem. Foi então observado que as assim chamadas esquinas também foram detectadas sobre partes da imagem as quais não eram quinas no sentido tradicional (por exemplo, uma pequena marca brilhante sobre um pano de fundo escuro pode ser detectada). Estes pontos são frequentemente conhecidos como pontos de interesse, mas o termo “quina” é usado por uma questão de tradição.

[0256] Manchas proporcionam uma descrição complementar de estruturas de imagem em termos de região, ao contrário de quinas que são mais como pontos propriamente ditos. De qualquer maneira, os descritores de mancha frequentemente contêm um ponto preferido (um local máximo de uma resposta de operador ou de um centro de gravidade), o qual significa que muitos detectores de mancha também podem ser considerados como operadores de ponto de interesse. Os detectores de mancha podem detectar áreas em uma imagem as quais são muito suaves para serem detectadas por um detector de quina. Considere o encolhimento de uma imagem e então desempenhando a detecção de quina. O detector responderá a pontos os quais são bem definidos na imagem encolhida, mas que podem ser suaves na imagem original. É neste ponto que a diferença entre um detector de quina e um detector de mancha se torna, de alguma maneira, vago. Em uma grande extensão, esta distinção pode ser remediada por intermédio da inclusão de uma escala de noção apropriada. De qualquer maneira, devido as propriedades de resposta de tipos diferentes de estruturas de imagem em escalas diferentes, os detectores de mancha LoG e DoH também são mencionados no artigo sobre detecção de quinas.

[0257] Para objetos alongados, a noção de cumes é uma ferramenta natural. Um descritor de cume computado a partir de uma imagem de nível cinza pode ser visto como uma generalização de um eixo medial. A partir de um ponto de vista prático, um cume pode ser considerado como uma curva de uma dimensão que representa um eixo de simetria e, adicionalmente, tem um atributo de largura de cume local associado com cada um dos pontos de cume. Infelizmente, todavia, é algoritmicamente mais difícil extrair características de cume a partir de classes gerais de imagens de nível de cinza do que de características de borda, de quina ou de mancha. De qualquer maneira, os descritores de cume são frequentemente usados para a extração de rodovias em imagens aéreas e para a extração de vasos sanguíneos em imagens médicas.

[0258] Os dados de pixel correntes podem compreender os primeiros dados de pixel correspondendo a uma primeira cor, os segundos dados de pixel correspondendo a uma segunda cor, e os terceiros dados de pixel correspondendo a uma terceira cor, nas quais a primeira, a segunda e a terceira cor correspondem a R, G e B, respectivamente. Aqui, a fonte de iluminação para iluminar o alimento com luz branca é algo vantajoso. Todavia, também é possível proporcionar uma fonte de iluminação monocromática em uma área de comprimento de onda preferida na região ótica, por exemplo, 600 nm, para observar uma imagem de pixel cinza no respectivo comprimento de onda.

[0259] Devido à provisão de uma análise separada de valores de pixel de R, G e B, é possível implementar um algoritmo o qual pode aprender cores de pão. Aqui, é essencial segmentar os pixels de pão a partir dos pixels de forno, os quais podem ser realizados por intermédio de cores. É algo vantajoso usar fotografias pré-processadas com uma alta dinâmica de alcance (HDR) para ter uma informação com mais intensidade para ter a melhor segmentação. Assim sendo, a câmera é preferivelmente adaptada para gerar imagens de pixel processadas de HDR como dados de pixel correntes. Aqui, também, a escamação logarítmica pode ser implementada, em que a câmera é adaptada para gravar imagens logarítmicas lineares ou imagens combinadas lineares e de pixel logarítmicos. Para aprender os pixels de pão, uma Rede em Cadeia de Neurônios Artificiais com propagação de retorno ou uma classe de SVM conforme é aqui acima descrito, pode ser usado, os quais são treinados com fotografias, onde um forno é mascarado manualmente.

[0260] Como um exemplo, pode ser que para o cozimento de pães de hambúrguer, a mais significativa variância durante o cozimento seja uma mudança de cor (mudança de intensidade de pixels), e uma mudança no volume (mudança em número de pixels com certa intensidade). Isto pode ser as duas mais significativas características durante o cozimento de referência ou o processo de aquecimento de referência e a mudança de valores de referência sobre o tempo correspondente. Por exemplo, o valor de característica representando a mudança de volume pode ter um máximo depois de 10 minutos de 20 minutos e a mudança de cor depois de 15 minutos de 20 minutos de um cozimento. É então possível detector em cozimentos repetidos por meio de um classificador tal como a acima mencionada Máquina de Vetor de Suporte nos dados de sensor de entrada do cozimento repetido, que as mais altas probabilidades casam com o cozimento de referência ou programa de aquecimento de referência. Pode ser que, por exemplo, a mudança de cor no cozimento repetido tenha um máximo depois de 5 minutos para a mudança de volume. Assim sendo, a diferença de tempo do cozimento repetido e do cozimento de referência seria de 50%. Isto resultaria em uma adaptação do tempo de cozimento remanescente por pelo menos 50%. Aqui, uma passagem de tempo de 5 minutos ao invés de 15 minutos.

[0261] Adicionalmente, pode ser possível integrar um fator de impacto que pode influenciar o impacto do algoritmo de controle no que diz respeito ao programa de cozimento repetido. Isto pode ser feito automaticamente, de tal maneira que o número de cozimentos de referência influencie o fator de confiança, ou de tal maneira que o mesmo seja manualmente estabelecido em certo fator. Isto também pode ser otimizado por intermédio de um sistema remoto usando tecnologia de informação anteriormente aqui descrita.

[0262] Adicionalmente, pode ser especialmente possível mudar a temperatura dentro deste sistema por intermédio de uma mudança de uma característica representando a mudança de cor. Conforme é descrito, pode ser possível calculas as características representando a mudança de cor (mudança de intensidade de pixels). É possível normalizar a intensidade de pixel. Depois da normalização, é possível ajustar a temperatura de acordo com a mudança de cor. Se, por exemplo, depois de 75% de tempo remanescente não ocorreu a esperada mudança de cor, a temperatura pode ser elevada, ou se houve mais mudança de cor do que aquela esperada a partir do cozimento de referência, a temperatura pode ser reduzida.

[0263] O aparelho de monitoramento 150 pode adicionalmente compreender uma unidade de controle 1860 adaptada para mudar um processo de aquecimento a partir de um processo de cozinhar para um processo de cozimento com base em uma comparação do estado do processamento de aquecimento corrente determinado por intermédio da unidade de monitoramento com um estado de processo de aquecimento predeterminado. O estado de processo de aquecimento corrente é calculado conforme acima mencionado, por intermédio da determinação do ponto de tempo da “menor distância”. Por intermédio da comparação destes pontos de tempo do estado de processo de aquecimento predeterminado e o ponto de tempo calculado, o processo de aquecimento é mudado, se o ponto de tempo calculado for mais tarde do que o ponto de tempo do estado do processo de aquecimento predeterminado. Por exemplo, como uma regra básica, uma provação será terminada depois de uma mudança de volume de 100% do alimento a ser aquecido, assim sendo, se o pão de hambúrguer ou o Croissant tem duas vezes o volume, a provação terminará e o procedimento de cozimento começará. A mudança do volume do pão ou do alimento a ser cozido pode ser detectado pelas características de pixel na câmera de uma maneira muito eficiente. A máquina de tratamento térmico a ser controlada pode ser uma máquina de cozimento/provação integrada, todavia, outras máquinas de provação ou de cozimento diferentes também ser controladas.

[0264] Para simplificar os cálculos e para assegurar resultados repetíveis, é preferível que a temperatura de aquecimento seja mantida constante em um processo de aquecimento corrente.

[0265] A unidade de controle 1860 é adicionalmente adaptada para parar o processo de aquecimento com base em uma comparação do estado de processo de aquecimento corrente determinado por intermédio da unidade de monitoramento com um estado de aquecimento predeterminado correspondendo a um ponto de término do aquecimento. A unidade de controle 1860 pode ser adaptada para alertar o usuário quando o processo de aquecimento tenha sido terminado. Portanto, o aparelho de monitoramento pode compreender uma unidade de alerta 1879 e uma unidade de exibição 1880. A unidade de exibição 1880 é proporcionada para indicar o estado de processo de aquecimento corrente, por exemplo, o tempo de aquecimento ou de cozimento remanescente. A unidade de exibição 1880 pode adicionalmente mostrar uma imagem de pixel do lado de dentro da câmara de aquecimento para um monitoramento visual do alimento a ser aquecido por intermédio de um usuário. A unidade de controle 1960 pode ser adaptada para controlar a unidade de exibição 1880 sendo adaptada para indicar um tempo remanescente de processo de aquecimento com base em uma comparação do estado de processo de aquecimento corrente determinado por intermédio da unidade de monitoramento com um ponto de término de aquecimento e/ou exibir imagens do lado de dentro da câmara de aquecimento.

[0266] A unidade de controle 1860 é adicionalmente conectada a uma interface de saída 1890 para controlar atuadores conforme é aqui acima ou abaixo descrito, como um controle de temperatura de uma câmara de aquecimento, meios para adaptar a umidade na câmara de aquecimento por intermédio de adicionar água, ou um controle do mecanismo de ventilação (obturador de ventilação). Os atuadores podem, adicionalmente, incluir os meios para adaptar a velocidade de ventilador, os meios para adaptar a pressão diferencial entre a câmara de aquecimento e o respectivo ambiente, os meios para estabelecer um tempo dependente da curva de temperatura no interior da câmara de tratamento a vapor, os meios para desempenhar e para adaptar diferentes procedimentos de tratamento térmico como provação e cozimento, os meios para adaptar perfis de fluxo de gás internos no interior da câmara de aquecimento, os meios para adaptar a intensidade de emissão eletromagnética e acústica dos respectivos emissores eletromagnéticos e de som para sondar ou observar as propriedades do alimento a ser aquecido.

[0267] Em particular, a unidade de controle 1860 é adaptada para controlar um controle de temperatura de uma câmara de aquecimento, os meios para adaptar a umidade na câmara de aquecimento por intermédio de adicionar água, um controle do mecanismo de ventilação, os meios para adaptar a velocidade de ventilador, os meios para adaptar a pressão diferencial entre a câmara de aquecimento e o respectivo ambiente, os meios para estabelecer um tempo dependente da curva de temperatura no interior da câmara de tratamento a vapor, os meios para desempenhar e para adaptar diferentes procedimentos de tratamento térmico como provação e cozimento, os meios para adaptar perfis de fluxo de gás internos no interior da câmara de aquecimento, os meios para adaptar a intensidade de emissão eletromagnética e acústica dos respectivos emissores eletromagnéticos e de som para sondar ou observar as propriedades do alimento a ser aquecido.

[0268] Um método de monitoramento de tratamento térmico da presente invenção compreende determinar os dados de sensores correntes do alimento sendo tratado; determinar os dados de características correntes a partir dos dados de sensores correntes; e determinar um estado de processo de aquecimento corrente em um processo de aquecimento corrente do alimento monitorado por intermédio da comparação dos dados de características correntes com os dados das características de referência de um processo de aquecimento de referência. O método, preferivelmente, adicionalmente compreende determinar um mapeamento dos dados de sensores correntes para os dados de características correntes e/ou determinarem os dados de características de referência de um processo de aquecimento de referência com base nos dados de características de pelo menos um processo de treinamento. Adicionalmente, o método compreende determinar um mapeamento dos dados de sensores correntes para os dados de características correntes por intermédio de uma análise de variância de pelo menos um processo de aquecimento preliminar para reduzir a dimensionalidade dos dados de sensores correntes. A análise de variância preferivelmente compreende pelo menos uma das: análise de componente principal (PCA), Mapeamento de Características Isométrico (ISOMAP) ou a Análise Discriminante Linear (LDA), ou uma técnica de redução de dimensionalidade. O método adicionalmente compreende, preferivelmente, determinar os dados de características de referência de um processo de aquecimento de referência por intermédio da combinação de dados de características predeterminados de um programa de aquecimento com os dados de características de um conjunto preliminar de pelo menos um processo de aquecimento preliminar sendo classificado como sendo parte do conjunto preliminar por um usuário. Adicionalmente, por intermédio do método da presente invenção, os dados de características correntes de um processo de aquecimento corrente podem ser gravados, nos quais os dados de características gravados são usados como dados de características de um processo de aquecimento preliminar. Adicionalmente, o método pode compreender a classificação do tipo de alimento a ser aquecido e escolher um processo de aquecimento de referência correspondendo ao determinado tipo de alimento. Preferivelmente, um processo de aquecimento é mudado a partir de um processo de provação para um processo de cozimento com base em uma comparação do estado de processo de aquecimento corrente com um estado de processo de aquecimento predeterminado. A temperatura de aquecimento é preferivelmente mantida constante em um processo de aquecimento corrente. Preferivelmente o processo de aquecimento é parado com base em uma comparação do estado de processo de aquecimento corrente determinado por intermédio da unidade de monitoramento com um estado de processo de aquecimento predeterminado correspondendo ao ponto de término do aquecimento. Em uma realização vantajosa, um usuário é alertado quando o processo de aquecimento tem que ser terminado.

[0269] De acordo com outra realização, o aparelho de monitoramento 150, a máquina de aprendizado pode ser usada para um sistema de múltiplas entradas e de múltiplas saídas (MIMO). Em particular, um sistema de ajuste para água adicionada, tempo remanescente de cozimento e/ou temperatura pode ser implementado por intermédio de um sistema para o monitoramento de tratamento térmico usando técnicas de aprendizado de máquinas.

[0270] O sistema está coletando todos os dados de sensores durante o cozimento de referência. No caso de umidade, pelo menos um higrômetro detecta um valor de referência para a umidade sobre o tempo de cozimento durante o cozimento de referência. Quando da repetição de um cozimento do mesmo produto, a quantidade de água a ser adicionada pode ser diferente. A quantidade de produtos cozidos pode ser diferente, o volume do lado de dentro do forno pode ser diferente, ou pode haver mais ou menos gelo ou água sobre o produto cozido quando da carga do forno.

[0271] Próximo a outras adaptações, o sistema de controle de acordo com a invenção adiciona tanta água conforme for necessário para alcançar condições similares comparadas ao cozimento de referência. Uma vez que o tempo de cozimento remanescente pode ser adaptado por intermédio do sistema de controle, o tempo no qual a água será adicionada muda também. Ao invés de usar um tempo fixo, tal como adicionar 1 litro de água depois de 10 minutos de um programa de cozimento de 20 minutos, de acordo com esta realização, o sistema adicionará o quanto de água for necessário para atingir o nível de umidade de cozimento de referência depois de 50% do tempo passado.

[0272] Uma vez quer o comportamento irregular é reconhecido em uma implementação desta invenção, este sinal ou irregularidade e a sua amplitude correspondente pode ser usada para ajustar os dispositivos de processamento tal como os misturadores (energia induzida na massa), divisores de massa (frequência de corte) ou fornos industriais (tempo ou temperatura de programa de cozimento) dentro de um processo de produção de alimentos.

[0273] De acordo com outra realização, a observação do alimento no interior da câmara de cozimento pode ser realizada “ao vivo”, assim sendo uma vista ao vivo do lado de dentro do forno permite um acesso remoto do processo de cozimento. Também, um ajuste de forno remoto pode ser possibilitado para aperfeiçoar o comportamento de cozimento de um sistema para o monitoramento de tratamento térmico auto aprendido.

[0274] Em uma realização, laços de “percepção, “cognição” e “ação” (P - C - A ), agentes cognitivos e técnicas de aprendizado de máquina adequados para um processo industrial com atuadores e sensores inteligentes pode ser usado. As capacidades de transferência cognitiva, de conhecimento e de habilidade/perícia, assim como a criação de muitos laços de interação de P - C - A serão algo vantajoso em uma fábrica cognitiva.

[0275] Apenas muitos poucos processos de produção são únicos. A maioria dos processos de produção de alimentos ocorre em facilidades diferentes ou em tempos diferentes desempenhando funções idênticas em ambientes similares. Ainda assim, frequentemente nenhuma ou uma troca de informação limitada existe entre esses processos. As mesmas estações de processamento de alimentos frequentemente requerem uma configuração individual de todas as entidades gerenciando funções de processos similares. Com o objetivo de aumentar a capacidade de máquina auxiliar, uma à outra, é algo vantajoso combinar em espaço em tempo os laços distribuídos de P - C - A. Certos tópicos afloram para um approach deste objetivo: com o objetivo de permitir a transferência de habilidades entre entidades diferentes, é algo vantajoso estabelecer uma topologia confiável e adaptável de Multi-P-C-A-laços. Esta meta de sistema deveria ser capaz de identificar processos similares, traduzir dados de sensores, adquirir características e analisar resultados das diferentes entidades. A redução de dimensionalidade, o agrupamento e as técnicas de classificação pode permitir as maquinas comunicar em níveis mais altos. Os modelos de confiança máquina - máquina, de aprendizado coletivo e de representação de conhecimento é algo essencial para este propósito. Adicionalmente, alguns processos industriais podem ser redefinidos para otimizar o desempenho geral no que diz respeito a termos cognitivos. Ambos: o processamento de dados e a configuração de hardware deveriam resultar em um procedimento seguro, confiável e poderoso para compartilhar informação e transferir habilidades.

[0276] Usando algoritmos de auto otimização para controlar ou para parametrizar as aplicações industriais oferece a possibilidade de continuamente aperfeiçoar a base de conhecimento individual. O aprendizado reforçado, por exemplo, fornece um conjunto de métodos que proporcionam esta possibilidade. Estes algoritmos dependem da exploração no processo estado - espaço com o objetivo de aprender as combinações otimizadas de estado - ação. Uma agente de aprendizado reforçado também pode ser descrito por intermédio de um simples laço de P - C - A, onde o processo de avaliação do estado de informação do ambiente é o elemento “percepção” do laço, a alteração das leis de controle correntes representa a parte de “ação” e o processo de mapeamento estimado do estado de informação para novas leis de controle fornece a seção de “cognição” do simples laço de P - C - A. Nas aplicações industriais explorando um grande estado - espaço não é sempre possível ou viável por várias razões como segurança, velocidade, ou custos. Usando um approach de Laços Múltiplos P - C - A para a distribuição da função de aprendizado por sobre agentes múltiplos, pode reduzir a quantidade de exploração para os agentes individuais, enquanto a quantidade de experiências de aprendizado ainda permanece alta. Adicionalmente, isto permite o ensinamento entre diferentes laços de P - C - A. Uma possível designação para o approach de laços múltiplos de P - C - A é a combinação de múltiplos agentes em um sistema ou uma linha de montagem, por exemplo, uma unidade de controle de laço fechado. Dois agentes diferentes poderiam ser treinados para a otimização de diferentes parâmetros de processamento. A combinação de ambos em um nível de Multi - P - C - A poderia ser usada para encontrar um percurso para todos os parâmetros.

[0277] Amos os laços multi - P - C - A indicados podem aperfeiçoar e intensificar o desempenho de fabricação no que diz respeito ao tempo de estabelecimento e de configuração, flexibilidade de processamento, assim como qualidade. Um approach combina e conjuntamente intensifica estações/bancadas de trabalho com um conhecimento compartilhado e transferência de habilidades. O outro permite diferentes unidades a auto aperfeiçoar com o retorno das outras. A seguir, um sistema em rede de cadeia para dispositivos de processamento cognitivos de acordo com a presente invenção deveria ser descrito. É uma vantagem da presente invenção que uma vez que o sistema colaborativo adquire conhecimento de máquina suficiente, os mesmos evitam etapas de configuração repetitivas e podem significativamente reduzir os tempos de paralisação assim como incrementar a flexibilidade da produtividade.

[0278] De acordo com uma realização da presente invenção, com o objetivo de facilitar a integração de vários sistemas de monitoramento de tratamento térmico 100, todos os sistemas distribuídos são conectados, uns aos outros, via Internet. O conhecimento adquirido por intermédio destes sistemas é compartilhado, assim sendo, permitindo um banco de dados global das configurações dos processamentos, dos ajustes dos sensores e da qualidade das bancadas de trabalho.

[0279] Com o objetivo de compartilhar informação entre máquinas, todas as máquinas têm que usar um método similar de aquisição de características, como um primeiro cenário para se alcançar este objetivo usando os approaches de processamento de dados cognitivos para combinar os dados de entrada, a partir de sensores múltiplos das unidades de sensores respectivas 1810, do sistema para o monitoramento 100, com o objetivo de receber uma boa estimativa do estado do processamento correntemente ocorrendo.

[0280] Usando as técnicas de redução de dimensionalidade cognitiva, dados desnecessários e redundantes a partir destes sensores podem ser removidos. Os dados de sensores reduzidos são usados para classificar o estado do processo. O agrupamento permite a identificação de estados de processamento específicos, mesmo entre ajustes diferentes. Se uma diferença significativa a partir das referências e, portanto, uma condição de processo desconhecida é detectada, o supervisor será alertado. O especialista pode então ensinar o novo estado e as contra medidas (se possível) para o sistema com o objetivo de aperfeiçoar a seu desempenho.

[0281] O sistema cognitivo a ser desenvolvido deveria ser capaz de aprender a partir de resultados separados, aceitáveis e não aceitáveis e adicionalmente, ser capaz de evitar resultados não aceitáveis sempre q quando possível. O uso de cognição técnica elimina a necessidade de um modelo físico completo do processo de cozimento e de produção de alimentos. O sistema é capaz de estabilizar o processo por intermédio do aperfeiçoamento de pelo menos uma variável direcional. A cognição distribuída permite um banco de dados central entre diferentes localizações de fabricação. A informação coletada a partir de um processo pode ser transferida para um processo similar em uma localização diferente.

Claims

1. Sistema para o monitoramento de um tratamento térmico aplicado a um alimento, caracterizado pelo fato que compreende: uma unidade de detecção (1810) tendo pelo menos um sensor (1812) para determinar dados de sensor correntes de um alimento sendo aquecido; uma unidade de processamento (1820) para mapear linear ou não linearmente os dados de sensor correntes sendo alimentados pela unidade de detecção (1810) como um mapeamento de dados de características correntes com dimensões reduzidas, em que uma unidade de aprendizagem (1840) cria o mapeamento por meio de uma análise de variância de pelo menos um processo de aquecimento preliminar; em que os dados de sensor do pelo menos um processo de aquecimento preliminar com a maior variação ao longo do tempo no pelo menos um processo de aquecimento preliminar têm maior peso; e em que o mapeamento é armazenado em uma memória em um aparelho de monitoramento (150) ou recebido a partir de um servidor externo; e uma unidade de monitoramento (1830) adaptada para determinar um estado de processo de aquecimento corrente em um processo de aquecimento corrente do alimento monitorado pelo comparar os dados de características correntes com os dados de características de referência de um processo de aquecimento de referência.

2. Sistema de acordo com a reivindicação 1, caracterizado pelo fato que a análise de variância compreende pelo menos uma de uma análise de componentes principais (PCA), um mapeamento de características isométricas (ISOMAP) ou uma análise de discriminantes lineares (LDA) ou uma técnica de redução de dimensionalidade.

3. Sistema de acordo com a reivindicação 1 ou 2, caracterizado pelo fato que adicionalmente compreende determinar, pela unidade de aprendizagem (1840), dados de características de referência de um processo de aquecimento de referência pelo combinar dados de características predeterminados de um programa de aquecimento com um conjunto de dados de características de um processo de aquecimento preliminar classificado como fazendo parte do conjunto de aquecimento preliminar de preferência de um usuário.

4. Sistema de acordo com a reivindicação 2 ou 3, caracterizado pelo fato que adicionalmente compreende uma unidade de gravação (1822) para gravar os dados de características correntes de um processo de aquecimento corrente e usar os dados de características correntes gravados da unidade de gravação (1822) como dados de características de um processo de aquecimento preliminar.

5. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que a unidade de detecção (1810) compreende uma câmara (160) para gravar, em pixels, uma imagem do alimento sendo aquecido, em que os dados de sensor correntes da câmara correspondem aos dados de pixels correntes de uma imagem de pixels corrente.

6. Sistema de acordo com a reivindicação 5, caracterizado pelo fato que os dados de pixels correntes compreendem primeiros dados de pixels correspondendo a uma primeira cor, segundos dados de pixels correspondendo a uma segunda cor e terceiros dados de pixels correspondendo a uma terceira cor.

7. Sistema de acordo com a reivindicação 6, caracterizado pelo fato que a primeira, a segunda e a terceira cor correspondem a R (red, vermelho), G (green, verde) e B (blue, azul) respectivamente.

8. Sistema de acordo com qualquer uma das reivindicações 5 a 7, caracterizado pelo fato que a câmera (160) está adaptada para gerar imagens em pixels processadas por resolução de alta definição (High Resolution Definition = HDR) como dados de pixels correntes.

9. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que adicionalmente compreende uma unidade de classificação (1850) para classificar o tipo de alimento a ser aquecido e escolher um processo de aquecimento de referência correspondente ao tipo de alimento determinado.

10. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que adicionalmente compreende uma unidade de controle (1860) para mudar um processo de aquecimento de um processo de aquecimento preliminar para um processo de cozimento pelo comparar um estado do processo de aquecimento corrente determinado pela unidade de monitoramento (1830) com um estado de um processo de aquecimento predeterminado.

11. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que adicionalmente compreende uma unidade de controle (1860) para controlar uma unidade de exibição (1880) configurada para indicar um tempo remanescente do processo de aquecimento com base em uma comparação do estado do processo de aquecimento corrente determinado pela unidade de monitoramento (1830) com um estado do processo de aquecimento predeterminado correspondente a um ponto final do aquecimento e/ou para exibir imagens do interior da câmara de aquecimento.

12. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que a unidade de controle (1860) adicionalmente alerta um usuário quando o processo de aquecimento tem de ser interrompido.

13. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que a unidade de controle (1860) adicionalmente controla um controle de temperatura da câmara de aquecimento, meios para adaptar a humidade na câmara de aquecimento ao adicionar água ou vapor, um controle do mecanismo de ventilação, meios para adaptar a velocidade de ventiladores, meios para adaptar a pressão diferencial entre a câmara de aquecimento e o ambiente respetivo, meios para definir uma curva de temperatura dependente do tempo no interior da câmara de aquecimento, meios para realizar e adaptar diferentes procedimentos de aquecimento, como fermentação ou cozimento, meios para adaptar perfis de fluxo de gás interno no interior da câmara de aquecimento, meios para adaptar a intensidade de emissões eletromagnéticas e acústicas de respetivos emissores eletromagnéticos ou acústicos para sondar ou observar propriedades do alimento a aquecer.

14. Sistema de acordo com qualquer uma das reivindicações anteriores, caracterizado pelo fato que o pelo menos um sensor (1812) da unidade de detecção (1810) compreende pelo menos um de: um higrómetro, um sensor de temperatura de inserção, um sensor de temperatura da câmara de aquecimento, sensores acústicos, balanças, temporizadores, uma câmera, um sensor de imagem, um conjunto de fotodiodos, um analisador de gás do gás no interior da câmara de aquecimento, meios para determinar perfis de temperatura dos sensores de temperatura de inserção, meios para determinar emissões de processo eletromagnéticas ou acústicas dos alimentos sendo aquecidos, como luz ou som refletidos ou emitidos em resposta a emissores ou fontes de luz ou de som, meios para determinar resultados de medições 3D do alimento sendo aquecido, incluindo sistemas de câmara 3D ou estéreo ou radar, ou meios para determinar o tipo ou constituição ou padrão ou características óticas ou volume ou a massa do alimento sendo aquecido.