DigiFoods - Digital Food Quality

DigiFoods utvikler smarte sensorer for måling og digitalisering av matkvaliteten direkte på produksjonslinja. Denne informasjonen kan brukes til optimering av både prosesser og verdikjeder for økt lønnsomhet og reduksjon av matsvinn. Vi utvikler konsepter for hvordan målinger i stor skala kan brukes til reduksjon av svinn gjennom 1) forbedring av primærproduksjon, 2) optimalisering av matforedlingsprosesser, og 3) differensiering av produkter med ulik kvalitet tilpasset ulike forbrukersegmenter. DigiFoods, med sine 23 partnere, fungerer som et innovasjonssenter for matindustri, teknologileverandører og vitenskapelige miljøer. Kvaliteten på råvarene i matindustrien varierer svært mye. Det å måle denne kvaliteten i prosess er krevende på grunn av den store biologiske variasjonen. Løsningene som utvikles er basert på grunnleggende forståelse av matkvalitet, prosessering og moderne optisk instrumentering, og vil gjøre det mulig å måle og håndtere råvarevariasjonene i sanntid. Vi introduserer i tillegg robotikk for å muliggjøre automatiske målinger i utfordrende prosesser og i felt, og maskinlæring/KI for å hente ut informasjon fra store datamengder og gi prediksjoner og beslutningsstøtte i sanntid. Fourier-transform Infrarød spektroskopi (FTIR) kan brukes til måling av proteinsammensetning. Vi har demonstrert at FTIR kan måle variasjon av peptidstørrelser og mengde kollagen i industrielle peptidblandinger fra enzymatisk hydrolyse, og vi har vist at industrielle målinger kan brukes for å bedre forståelse og styring av slike prosesser. Vi utvikler miniatyrisert IR-teknologi basert på nye typer LEDs (light emitting diode) og halvleder-lasere (QCL, quantum cascade lasers). Dette muliggjør små håndholdte og rimelige sensorer som kan måle ulike kjemiske egenskaper på mat gjennom hele verdikjeden. Prototyper for begge teknologiene er utviklet og testes nå ut for proteinmålinger. Raman-spektroskopi kan måle en rekke ulike kvalitetsegenskaper på næringsmidler i prosess. Vi har fastslått at metoden kan brukes til å måle andel beinfragmenter, fett, protein og kollagen i kvernet restråstoff av fjørfekjøtt og laks. Metoden er med hell testet ut i to industrielle prosesser. Raman egner seg også til å måle EPA og DHA i hele laksefileter i fart på et transportbånd. In-line måling på laksefileter med Raman vil kunne kreve robotisert styring som inkluderer maskinsyn og algoritmer som håndterer måleproben. En demonstrator av et slikt system er utviklet og testet. Konsistens på laksefilet er en viktig kvalitetsegenskap og vi jobber med utvikling av en målemetode basert på hyperspektral avbildning. Landbruksroboter kan bruke sensorer i felt og automatisk måling av søthet på jordbær og tomater ved bruk av en nyutviklet NIR sensor er under utvikling. En viktig aktivitet i senteret er å gjøre målinger i reelle prosesser og vi har jobbet med følgende case: In-line måling av tørrstoff i potet før fritering, måling av tørrstoff i ost, måling av kjernetemperatur i fiskekaker, fettinnhold i spekepølser, fett, protein og bein i restråstoff av kylling og laks, og kvalitetsegenskaper på laksefilet. Disse metodene er nye og noen har allerede bidratt til vesentlige prosessforbedringer som gir mindre svinn og jevnere sluttkvalitet. Spektroskopiske instrumenter må kalibreres for å kunne måle matkvalitet. Utvikling og vedlikehold av slike modeller er ressurskrevende, og det er viktig å finne effektive metoder for å overføre modeller mellom instrumenter eller fra kontrollerte lab-miljøer til industrielle anvendelser. Vi har gjennomført en omfattende sammenligning av slike metoder med mål om å gi teknologileverandører råd om hvilke metoder som egner seg under ulike forhold. Industrielle målinger av matkvalitet skaper store mengder data som kan brukes til å forbedre prosesser og redusere svinn. Vi utvikler løsninger basert på maskinlæring og KI for å øke lønnsomheten i matproduksjonen. Sensordata kobles med annen tilgjengelig informasjon fra gårder og produksjonsprosesser, for å identifisere årsakene til uønsket variasjon. Vi har utviklet et rammeverk for kausalmodellering basert på stimodeller, som er anvendt på kyllingproduksjon. Vi har også utviklet algoritmer for prediksjon av tidsserier i kontinuerlige prosesser basert på data fra enzymatisk hydrolyse av restråstoff. Vi har også gjennomført sammenligninger av metoder for å identifisere årsaker til variasjon, med et konkret case fra osteproduksjon. Noen høydepunkter siste år: - Vi har utviklet en ny NIR-sensor for rask måling av sukker, fett, vann og protein i frukt, grønt, kjøtt og sjømat. Et løp for kommersialisering er i gang. - Raman og NIR spektroskopi er implementert og testet ut industrielt for in-line karakterisering av restråstoff av laks til enzymatisk hydrolyse. - Vi har samlet inn et unikt datasett fra produksjon av pommes frites, der en NIR-sensor har målt kontinuerlig i prosessen i et år, og disse målingene er sammenstilt med andre prosessdata fra den samme perioden.

The goal of SFI Digital Food Quality (DigiFoods) is to develop inline smart, sensor-driven solutions that deliver the essential food quality information required for successful process optimisation and digitalization of the food industry. Food processes are extremely complex and challenging to measure due to the inherent high level of biological variation in raw materials. The development of advanced solutions that are built on a fundamental understanding of food science, will allow the food industry to effectively measure and handle these variations, enabling a ground-breaking digital transformation of the industry. Effective strategies for real-time analysis and utilization of industrial data at a large scale will optimise processes and reduce waste throughout the value chain. New levels of information flow will also significantly increase productivity. DigiFoods will innovatively combine applied and basic research to generate new basic knowledge, evaluate prototype solutions, and create results for innovation in the following core areas 1) novel sensor systems and food application development, 2) robot and sensor integration, 3) integrated inline sensor solutions, and 4) analysis and utilisation of large-scale process and value chain data. A multi-disciplinary team comprising food companies, technology providers and research institutions is highly motivated to collaborate towards this common goal. The industrial partners will participate in all research tasks, committing essential in-kind contributions to the project. A critical element of this centre is that much of the experimental work will be done in the industrial process lines, which the end-users will make available for research. The centre will educate 9 PhD students and 3 post docs. DigiFoods will be governed by a board with an industrial majority, ensuring relevant research that will build the foundation for a future food industry 4.0.