Intelligente Lebensmitteltrocknungstechniken mit AI verbessern Produktqualität und Effizienz
Das Trocknen von Lebensmitteln ist ein gängiges Verfahren zur Konservierung vieler Arten von Lebensmitteln, einschließlich Obst und Fleisch; das Trocknen kann jedoch die Qualität und den Nährwert der Lebensmittel beeinträchtigen. In den letzten Jahren haben Forscher Präzisionstechniken entwickelt, die optische Sensoren und künstliche Intelligenz nutzen, um eine effizientere Trocknung zu ermöglichen. Eine neue Studie der University of Illinois Urbana-Champaign befasst sich mit drei neuen intelligenten Trocknungstechniken und liefert praktische Informationen für die Lebensmittelindustrie.
Forscher aus Illinois untersuchten optische Sensortechniken für die intelligente Lebensmitteltrocknung und testeten die Systeme an Apfelscheiben.
College of ACES
"Bei herkömmlichen Trocknungssystemen muss man Proben entnehmen, um den Prozess zu überwachen. Bei der intelligenten Trocknung oder Präzisionstrocknung kann der Prozess jedoch kontinuierlich in Echtzeit überwacht werden, was die Genauigkeit und Effizienz erhöht", so der korrespondierende Autor Mohammed Kamruzzaman, Assistenzprofessor am Department of Agricultural and Biological Engineering (ABE), das zum College of Agricultural, Consumer and Environmental Sciences und dem Grainger College of Engineering in Illinois gehört.
In dem Papier untersuchen die Forscher die akademische Literatur über verschiedene Arten von Geräten, die Präzisionstechniken zur Verbesserung der intelligenten Trocknung in der Lebensmittelindustrie einsetzen.
Sie konzentrieren sich auf drei optische Erfassungssysteme - RGB-Bildgebung mit Computer Vision, Nahinfrarot-Spektroskopie (NIR) und Nahinfrarot-Hyperspektralbildgebung (NIR-HSI) - und erörtern die Mechanismen, Anwendungen, Vorteile und Grenzen der einzelnen Systeme. Sie geben auch einen Überblick über industrielle Standardtrocknungsmethoden wie Gefriertrocknung, Sprühtrocknung, Mikrowellen- oder Heißluftofentrocknung, die mit den Präzisionsüberwachungsverfahren kombiniert werden können.
"Sie können jeden der drei Sensoren einzeln oder in Kombination verwenden. Was Sie wählen, hängt von dem jeweiligen Trocknungssystem, Ihren Bedürfnissen und der Kosteneffizienz ab", sagte der Hauptautor Marcus Vinicius da Silva Ferreira, ein Postdoktorand bei ABE.
RGB mit Computer Vision verwendet eine normale Kamera, die sichtbares Licht mit einem RGB-Farbspektrum aufnimmt. Sie kann Informationen über Oberflächenmerkmale wie Größe, Form, Farbe und Defekte liefern, ist aber nicht in der Lage, den Feuchtigkeitsgehalt zu messen.
Die NIR-Spektroskopie verwendet Nahinfrarotlicht, um die Absorption verschiedener Wellenlängen zu messen, die mit eindeutigen chemischen und physikalischen Produktmerkmalen korreliert werden können, und sie kann interne Eigenschaften wie den Feuchtigkeitsgehalt messen. Allerdings wird bei der NIR-Methode jeweils ein Punkt gescannt.
Dies kann für ein einzelnes Produkt, wie eine Apfelscheibe, zumindest anfangs funktionieren, so Kamruzzaman.
"Aber wenn die Trocknung fortschreitet, schrumpft das Material und wird durch Rissbildung und Biegung heterogener. Wenn man in dieser Phase NIR verwendet und nur einen einzigen Punkt scannt, kann man die Trocknungsgeschwindigkeit nicht messen", so Kamruzzaman.
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 das NIR-HSI auch viel 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. Außerdem 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 benötigt HSI aufgrund der großen Datenmengen, die es sammelt, mehr Rechenleistung als die beiden anderen Systeme.
Die Forscher entwickelten auch ihr eigenes Trocknungssystem, um die verschiedenen Methoden zu testen. Sie bauten einen Konvektionswärmeofen und testeten die Techniken an der Trocknung von Apfelscheiben. Zunächst kombinierten sie das System mit RGB und NIR; später testeten sie auch das NIR-HSI-System, dessen Ergebnisse sie in einem bald erscheinenden Artikel diskutieren wollen.
"Für die Echtzeitüberwachung stellt die Konvergenz von RGB-Bildgebung, NIR-spektroskopischen Sensoren und NIR-HSI mit KI eine transformative Zukunft für die Lebensmitteltrocknung dar. Die Integration dieser Technologien überwindet die Grenzen der konventionellen Überwachung von Trocknungsprozessen und ermöglicht eine Echtzeitüberwachung", heißt es in dem Papier.
Die künftige Entwicklung tragbarer, handgehaltener NIR-HSI-Geräte wird die kontinuierliche Überwachung von Trocknungssystemen weiter ermöglichen und eine Qualitätskontrolle in Echtzeit in einer Vielzahl von Betriebsumgebungen bieten, so die Forscher.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Marcus Vinicius da Silva Ferreira, Md Wadud Ahmed, Marciano Oliveira, Sanjay Sarang, Sheyla Ramsay, Xue Liu, Amir Malvandi, Youngsoo Lee, Mohammed Kamruzzaman; "AI-Enabled Optical Sensing for Smart and Precision Food Drying: Techniques, Applications and Future Directions"; Food Engineering Reviews, 2024-11-20
Weitere News aus dem Ressort Wissenschaft
Weitere News von unseren anderen Portalen
Verwandte Inhalte finden Sie in den Themenwelten
Themenwelt Künstliche Intelligenz (KI) für Lebensmittel und Getränke
Künstliche Intelligenz (KI) optimiert die Lebensmittel- und Getränkeindustrie durch automatisierte Qualitätskontrollen und präzisere Nachfrageprognosen. Besonders in der Produktentwicklung spielt KI eine wichtige Rolle, indem sie Geschmacksvorlieben und Markttrends analysiert. Dadurch können neue Produkte entwickelt werden, die besser auf die Bedürfnisse der Verbraucher abgestimmt sind, was die Effizienz und Kundenzufriedenheit steigert.
Themenwelt Künstliche Intelligenz (KI) für Lebensmittel und Getränke
Künstliche Intelligenz (KI) optimiert die Lebensmittel- und Getränkeindustrie durch automatisierte Qualitätskontrollen und präzisere Nachfrageprognosen. Besonders in der Produktentwicklung spielt KI eine wichtige Rolle, indem sie Geschmacksvorlieben und Markttrends analysiert. Dadurch können neue Produkte entwickelt werden, die besser auf die Bedürfnisse der Verbraucher abgestimmt sind, was die Effizienz und Kundenzufriedenheit steigert.