FreshTwin – Hybride Grey-Box-Modelle zur Bestimmung und Prognose der Qualitätsattribute am Beispiel von Lebensmitteln; Thema: Hyperspektrale Bildanalyse - BMBF-Fördermaßnahme KI4KMU: Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in KMU

Abstract

Im Vorhaben FreshTwin wurde die Eignung vollflächiger hyperspektraler Bildgebung für die zerstörungsfreie Erfassung und automatisierte Ableitung qualitätsrelevanter Merkmale bei Fruchtprodukten untersucht. Ziel war die Bewertung, inwieweit sich sowohl innere Qualitätsparameter (z.B. Zuckergehalt, Wassergehalt) als auch äußere Defekte (z.B. Druckstellen, mechanische Verletzungen) mittels hyperspektraler Daten in Kombination mit Machine-Learning- und Deep-Learning-Verfahren zuverlässig bestimmen lassen. Grundlage des Vorhabens war die Annahme, dass hyperspektrale Bildgebung durch die flächenhafte Erfassung spektraler Information eine geeignete Datengrundlage zur Charakterisierung biologischer Materialien darstellt. Hierzu wurden vollflächige hyperspektrale Kamerasysteme der Firma Cubert (ULTRIS 5, ULTRIS XMR, ULTRIS SWIR) eingesetzt, die unterschiedliche Wellenlängenbereiche vom sichtbaren (VIS) bis in den kurzwelligen Infrarotbereich (NIR/SWIR) abdecken. Methodisch wurde auf etablierten Verfahren der hyperspektralen Datenanalyse sowie auf Ansätzen des Machine Learning und Deep Learning aufgebaut.