Das Trocknen von Lebensmitteln ist ein gängiges Verfahren zur Konservierung vieler Arten von Lebensmitteln, darunter Obst und Fleisch. Allerdings kann das Trocknen die Qualität und den Nährwert der Lebensmittel verändern. In den letzten Jahren haben Forscher Präzisionstechniken entwickelt, die optische Sensoren und KI nutzen, um eine effizientere Trocknung zu ermöglichen. Eine neue Studie der University of Illinois Urbana-Champaign erörtert drei neue intelligente Trocknungstechniken und liefert praktische Informationen für die Lebensmittelindustrie.
„Bei herkömmlichen Trocknungssystemen müssen Sie Proben entnehmen, um den Prozess zu überwachen. Mit intelligenter Trocknung oder Präzisionstrocknung können Sie den Prozess jedoch kontinuierlich in Echtzeit überwachen und so die Genauigkeit und Effizienz verbessern“, sagte der korrespondierende Autor Mohammed Kamruzzaman, Assistenzprofessor in das Department of Agricultural and Biological Engineering (ABE), Teil des College of Agricultural, Consumer and Environmental Sciences und des Grainger College of Engineering in Illinois.
In der Arbeit überprüfen die Forscher wissenschaftliche Literatur über verschiedene Arten von Geräten, die Präzisionstechniken anwenden, um die intelligenten Trocknungsfähigkeiten in der Lebensmittelindustrie zu verbessern.
Sie konzentrieren sich auf drei optische Sensorsysteme – RGB-Bildgebung mit Computer Vision, Nahinfrarotspektroskopie (NIR) und Nahinfrarot-Hyperspektralbildgebung (NIR-HSI) – und diskutieren die Mechanismen, Anwendungen, Vorteile und Einschränkungen jedes einzelnen. Sie bieten außerdem einen Überblick über gängige industrielle Trocknungsverfahren wie Gefriertrocknung, Sprüh-, Mikrowellen- oder Heißluftofentrocknung, die mit den Präzisionsüberwachungstechniken kombiniert werden können.
„Sie können jeden der drei Sensoren einzeln oder in Kombination verwenden. Welche Sie wählen, hängt vom jeweiligen Trocknungssystem, Ihren Bedürfnissen und der Kosteneffizienz ab“, sagte Hauptautor Marcus Vinicius da Silva Ferreira, Postdoktorand bei ABE.
RGB mit Computer Vision verwendet eine normale Kamera, die sichtbares Licht mit einem RGB-Farbspektrum erfasst. Es kann Informationen über Oberflächenmerkmale wie Größe, Form, Farbe und Mängel liefern, ist jedoch nicht in der Lage, den Feuchtigkeitsgehalt zu messen.
Die NIR-Spektroskopie nutzt Nahinfrarotlicht, um die Absorption verschiedener Wellenlängen zu messen, die mit einzigartigen chemischen und physikalischen Produkteigenschaften korreliert werden kann, und kann interne Eigenschaften wie den Feuchtigkeitsgehalt messen. NIR scannt jedoch jeweils einen Punkt.
Dies könne zumindest zunächst für ein einzelnes Produkt wie eine Apfelscheibe funktionieren, sagte Kamruzzaman.
„Aber mit fortschreitender Trocknung schrumpft das Material und wird aufgrund von Rissen und Biegungen heterogen. Wenn Sie in diesem Stadium NIR verwenden und nur einen einzelnen Punkt scannen, können Sie die Trocknungsgeschwindigkeit nicht messen“, bemerkte er.
NIR-HSI ist die umfassendste der drei Techniken. Es scannt die gesamte Oberfläche des Produkts und liefert daher viel genauere Informationen über die Trocknungsgeschwindigkeit und andere Merkmale als NIR allein, da es dreidimensionale räumliche und spektrale Informationen extrahiert. Allerdings ist NIR-HSI auch deutlich teurer als die beiden anderen Sensoren. Die Ausrüstung kostet 10 bis 20 Mal mehr als NIR-Sensoren und 100 Mal oder mehr als RGB-Kameras. Darüber hinaus sind die Wartungs- und Rechenanforderungen für HSI wesentlich höher, was die Gesamtkosten weiter erhöht.
Alle drei Methoden müssen mit KI und maschinellem Lernen kombiniert werden, um die Informationen zu verarbeiten, und die Modelle müssen für jede spezifische Anwendung trainiert werden. Auch hier erfordert HSI aufgrund der großen Datenmenge, die es sammelt, mehr Rechenleistung als die beiden anderen Systeme.
Um die verschiedenen Methoden zu testen, entwickelten die Forscher außerdem ein eigenes Trocknungssystem. Sie bauten einen Konvektionsofen und testeten die Techniken zum Trocknen von Apfelscheiben. Sie kombinierten das System zunächst mit RGB und NIR; Später testeten sie auch das NIR-HSI-System, dessen Ergebnisse sie in einem kommenden Papier diskutieren wollen.
„Für die Echtzeitüberwachung stellt die Konvergenz von RGB-Bildgebung, NIR-Spektroskopiesensoren und NIR-HSI mit KI eine transformative Zukunft für die Lebensmitteltrocknung dar. Die Integration dieser Technologien überwindet die herkömmlichen Einschränkungen bei der Überwachung von Trocknungsprozessen und erweitert die Möglichkeiten der Echtzeitüberwachung“, sagen sie kam in dem Papier zu dem Schluss.
Sie stellten fest, dass die zukünftige Entwicklung tragbarer, handgehaltener NIR-HSI-Geräte eine kontinuierliche Überwachung von Trocknungssystemen ermöglichen und eine Echtzeit-Qualitätskontrolle in einer Vielzahl von Betriebsumgebungen ermöglichen wird.
