Οι έξυπνες τεχνικές στεγνώματος τροφίμων με τεχνητή νοημοσύνη, βελτιώνουν την ποιότητα και την αποτελεσματικότητα των προϊόντων
Η ξήρανση των τροφίμων είναι μια κοινή διαδικασία για τη συντήρηση πολλών τύπων τροφίμων, συμπεριλαμβανομένων των φρούτων και του κρέατος. Ωστόσο, το στέγνωμα μπορεί να αλλάξει την ποιότητα και τη θρεπτική αξία του τροφίμου. Τα τελευταία χρόνια, οι ερευνητές έχουν αναπτύξει τεχνικές ακριβείας που χρησιμοποιούν οπτικούς αισθητήρες και τεχνητή νοημοσύνη για να διευκολύνουν το πιο αποτελεσματικό στέγνωμα. Μια νέα μελέτη από το Πανεπιστήμιο του Illinois Urbana-Champaign συζητά τρεις αναδυόμενες τεχνικές έξυπνης ξήρανσης, παρέχοντας πρακτικές πληροφορίες για τη βιομηχανία τροφίμων.
«Με τα παραδοσιακά συστήματα ξήρανσης, πρέπει να αφαιρέσετε δείγματα για να παρακολουθήσετε τη διαδικασία. Αλλά με το έξυπνο στέγνωμα ή το στέγνωμα ακριβείας, μπορείτε να παρακολουθείτε συνεχώς τη διαδικασία σε πραγματικό χρόνο, βελτιώνοντας την ακρίβεια και την αποτελεσματικότητα», δήλωσε ο συγγραφέας της μελέτης Mohammed Kamruzzaman, επίκουρος καθηγητής στο Τμήμα Γεωργικής και Βιολογικής Μηχανικής (ABE), μέρος του Κολλεγίου Γεωργικές, Καταναλωτικές και Περιβαλλοντικές Επιστήμες και το Grainger College of Engineering στο Ιλινόις.
Στο έγγραφο, οι ερευνητές εξετάζουν την ακαδημαϊκή βιβλιογραφία σχετικά με διαφορετικούς τύπους εξοπλισμού που εφαρμόζουν τεχνικές ακριβείας για την ενίσχυση των δυνατοτήτων έξυπνης ξήρανσης στη βιομηχανία τροφίμων.
Επικεντρώνονται σε τρία συστήματα οπτικής ανίχνευσης :
- απεικόνιση RGB με όραση υπολογιστή,
- φασματοσκοπία εγγύς υπέρυθρη (NIR) και
- υπερφασματική απεικόνιση εγγύς υπέρυθρη (NIR-HSI) και συζητούν τους μηχανισμούς, τις εφαρμογές, τα πλεονεκτήματα και τους περιορισμούς του καθενός.
Παρέχουν επίσης μια επισκόπηση των τυπικών βιομηχανικών μεθόδων ξήρανσης, όπως ξήρανση με κατάψυξη, ψεκασμό, φούρνο μικροκυμάτων ή ξήρανση σε φούρνο με ζεστό αέρα, η οποία μπορεί να συνδυαστεί με τις τεχνικές παρακολούθησης ακριβείας.
«Μπορείτε να χρησιμοποιήσετε κάθε έναν από τους τρεις αισθητήρες ξεχωριστά ή σε συνδυασμό. Αυτό που θα επιλέξετε θα εξαρτηθεί από το συγκεκριμένο σύστημα στεγνώματος, τις ανάγκες σας και τη σχέση κόστους-αποτελεσματικότητας», δήλωσε ο επικεφαλής συγγραφέας Marcus Vinicius da Silva Ferreira , μεταδιδακτορικός υπότροφος στο ABE.
Το RGB με όραση υπολογιστή χρησιμοποιεί μια κανονική κάμερα που καταγράφει ορατό φως με χρωματικό φάσμα RGB. Μπορεί να παρέχει πληροφορίες σχετικά με χαρακτηριστικά σε επίπεδο επιφάνειας, όπως μέγεθος, σχήμα, χρώμα και ελαττώματα, αλλά δεν είναι σε θέση να μετρήσει την περιεκτικότητα σε υγρασία.
Η φασματοσκοπία NIR χρησιμοποιεί εγγύς υπέρυθρο φως για να μετρήσει την απορρόφηση διαφορετικών μηκών κύματος, τα οποία μπορούν να συσχετιστούν με μοναδικά χημικά και φυσικά χαρακτηριστικά του προϊόντος, και μπορεί να μετρήσει εσωτερικές ιδιότητες όπως η περιεκτικότητα σε υγρασία. Ωστόσο, το NIR σαρώνει ένα σημείο τη φορά.
Αυτό μπορεί να λειτουργήσει για ένα μόνο προϊόν, όπως μια φέτα μήλου, τουλάχιστον αρχικά, είπε ο Kamruzzaman.
«Όμως καθώς προχωρά η ξήρανση, το υλικό θα συρρικνωθεί και θα γίνει ετερογενές, λόγω ρωγμών και κάμψης. Εάν χρησιμοποιείτε NIR σε αυτό το στάδιο και αν σαρώσετε μόνο ένα σημείο, δεν μπορείτε να μετρήσετε τον ρυθμό στεγνώματος», σημείωσε.
Το NIR-HSI είναι η πιο ολοκληρωμένη από τις τρεις τεχνικές. Σαρώνει ολόκληρη την επιφάνεια του προϊόντος, επομένως παρέχει πολύ πιο ακριβείς πληροφορίες σχετικά με τον ρυθμό στεγνώματος και άλλα χαρακτηριστικά εκτός από το NIR μόνο, καθώς εξάγει τρισδιάστατες χωρικές και φασματικές πληροφορίες. Ωστόσο, το NIR-HSI είναι επίσης πολύ πιο ακριβό από τους δύο άλλους αισθητήρες. Ο εξοπλισμός κοστίζει 10 έως 20 φορές περισσότερο από τους αισθητήρες NIR και 100 φορές ή περισσότερο από τις κάμερες RGB. Επιπλέον, οι απαιτήσεις συντήρησης και υπολογιστών για HSI είναι σημαντικά υψηλότερες, αυξάνοντας περαιτέρω το συνολικό κόστος.
Και οι τρεις μεθοδολογίες πρέπει να συνδυάζονται με τεχνητή νοημοσύνη και μηχανική μάθηση για την επεξεργασία των πληροφοριών και τα μοντέλα πρέπει να εκπαιδεύονται για κάθε συγκεκριμένη εφαρμογή. Και πάλι, το HSI απαιτεί περισσότερη υπολογιστική ισχύ από τα άλλα δύο συστήματα λόγω του μεγάλου όγκου δεδομένων που συλλέγει.
Οι ερευνητές ανέπτυξαν επίσης το δικό τους σύστημα ξήρανσης για να δοκιμάσουν τις διάφορες μεθόδους. Κατασκεύασαν έναν θερμικό φούρνο με μεταφορά και δοκίμασαν τις τεχνικές για το στέγνωμα των φετών μήλου. Πρώτα συνδύασαν το σύστημα με RGB και NIR. αργότερα δοκίμασαν επίσης το σύστημα NIR-HSI, τα ευρήματα του οποίου σχεδιάζουν να συζητήσουν σε προσεχές έγγραφο.
«Για την παρακολούθηση σε πραγματικό χρόνο, η σύγκλιση της απεικόνισης RGB, των φασματοσκοπικών αισθητήρων NIR και του NIR-HSI με AI αντιπροσωπεύει ένα μεταμορφωτικό μέλλον για την ξήρανση των τροφίμων. Η ενσωμάτωση αυτών των τεχνολογιών ξεπερνά τους συμβατικούς περιορισμούς παρακολούθησης της διαδικασίας ξήρανσης και προωθεί τις δυνατότητες παρακολούθησης σε πραγματικό χρόνο», κατέληξαν.
Η μελλοντική ανάπτυξη φορητών, φορητών συσκευών NIR-HSI θα επιτρέψει περαιτέρω τη συνεχή παρακολούθηση των συστημάτων στεγνώματος, παρέχοντας ποιοτικό έλεγχο σε πραγματικό χρόνο σε διάφορα περιβάλλοντα λειτουργίας, σημείωσαν.
Η εργασία , «Ενεργοποιημένη οπτική ανίχνευση AI για έξυπνο και ακριβές στέγνωμα τροφίμων: Τεχνικές, εφαρμογές και μελλοντικές κατευθύνσεις», δημοσιεύεται στο Food Engineering Reviews [DOI: 10.1007/s12393-024-09388-0 ]. Αυτή η μελέτη υποστηρίχθηκε οικονομικά από το Κέντρο Προηγμένης Έρευνας στο Ξήρανση (CARD), ένα Συνεργατικό Ερευνητικό Κέντρο Βιομηχανίας του Εθνικού Επιστημονικού Ιδρύματος των ΗΠΑ. Το CARD βρίσκεται στο Worcester Polytechnic Institute και στο Πανεπιστήμιο του Illinois στην Urbana-Champaign.
Ακολουθήστε το Cibum 
