KI-gestützte Qualitätsbewertung von Haselnüssen und Trockenfrüchten

Minimierung des Gesundheitsrisikos durch Reduktion der Mykotoxinbelastung
Landwirtschaftliche Rohwaren unterliegen vielfältigen Einflüssen, die einen erheblichen Einfluss auf die Produktqualität haben und auch die Konsumentensicherheit beeinträchtigen können. Insbesondere Nüsse oder in den Ursprungsländern getrocknete Produkte wie z. B. Trockenfrüchte weisen aufgrund der langen Lagerungsdauer ein erhöhtes Risiko für Schimmelbefall auf. Um die Exposition der Verbraucher mit den von Schimmelpilzen gebildeten krebserregenden Mykotoxinen auf ein Minimum zu reduzieren und das damit verbundene Gesundheitsrisiko zu minimieren, werden bei der Lebensmittelproduktion und -verarbeitung verschiedene Sortierungsverfahren angewandt. Je nach verwendeter Methodik und sortiertem Produkt ist dieser Einsatz kostenintensiv oder erreicht nicht die erforderliche Sensitivität, um belastete Ware zuverlässig abzutrennen.
KI-gestützte und zerstörungsfreie Qualitätsbewertung von Haselnüssen mittels Gassensorik
Im Rahmen des transnationalen Verbundvorhabens RAVOC entwickeln wir zusammen mit einem türkischen Forschungspartner eine Klassifizierungsmethodik für Haselnüsse auf Basis der Gassensorik, die eine zerstörungsfreie Unterscheidung von schimmelbelasteten und qualitativ hochwertigen Nüssen ermöglichen soll. Durch den Einsatz von Methoden des maschinellen Lernens soll das am Fraunhofer IVV entwickelte Modell eine hohe Robustheit gegenüber den natürlich vorkommenden Schwankungen in Bezug auf Produkt und Mikroflora aufweisen und damit anwendungsnah sein.
Von Haselnüssen aus verschiedenen Regionen der Türkei und unterschiedlicher mikrobieller Belastung werden dafür am Fraunhofer IVV mittels Gaschromatographie die Gesamtheit aller emittierten flüchtigen Substanzen (Volatolom) ermittelt und mit weiteren im Labor bestimmten Referenzparametern (z. B. Schimmelpilzkontamination und Mykotoxingehalt) ergänzt. Zugleich werden auch Haselnüsse, die einen erhöhten Fettsäureabbau aufweisen, in die Analysen miteinbezogen, um so eine hohe Spezifität des Modells für die Schimmelbelastung zu erhalten. Die Einbindung von Messdaten der analytischen Infrarot-Spektroskopie in das KI-gestützte Modell zur Verbesserung der Performance ist in diesem Projekt ebenfalls geplant.
Das vom Fraunhofer IVV geführte kollaborative Forschungsprojekt vereinigt hierbei die Expertisen zweier für den Haselnussanbau und dessen Verarbeitung international relevanter Länder und bezieht bei der Entwicklung ebenso die Bedürfnisse zukünftiger Anwender direkt mit ein.
Übertragung des Klassifizierungsmodells zur Risikoabschätzung auf andere Rohstoffe
Die bisher auf dem Markt verfügbaren technischen Lösungen zur Klassifizierung und Sortierung von Rohwaren weisen bedingt durch den Fokus auf einen Probentyp wie z. B. Haselnüsse oft einen entscheidenden Nachteil auf. Die einfache Übertragbarkeit der Methodik auf andere Produkte ist nicht gegeben. In diesem CORNET-Projekt soll deshalb die Möglichkeit der Übertragung des aus den Volatolomics-Daten der Haselnussproben erzeugten Klassifizierungsmodells auf andere Rohstoffe wie z.B. Trockenfrüchte untersucht werden. Hierzu werden von getrockneten Feigen mit differierender mikrobieller Belastung ebenfalls die emittierten volatilen Substanzen und weitere Daten erhoben und die Aussagekraft des vorher aufgestellten Modells für diese Probenmatrix bestimmt.
Basierend auf den Ergebnissen dieses Verbundprojektes soll die Entwicklung von einfachen KI-gestützten Gas-Sensorarrays ermöglicht werden, die sich insbesondere für die zerstörungsfreie Beprobung verschiedener Rohstoffe in großvolumigen Behältnissen (z. B. Big Packs) im Wareneingang eignen.
Projektlaufzeit: |
2024 bis 2026 |
Projektträgerschaft / Finanzierung: |
Projektträger DLR (über Industrievereinigung für Lebensmitteltechnologie und Verpackung IVLV), Bundesministerium für Wirtschaft und Klimaschutz, Cornet / IGF international |
Offizieller Titel des Vorhabens: |
Rapid Quality Assessment of Nuts and Dried Fruits by Volatolomics |
Förderkennzeichen: |
01IF00401C |