FLANDERS' FOOD RADAR

Hyperspectrale beeldverwerking brengt kwaliteitsmonitoring op hoger niveau

Hyperspectrale imaging combineert digitale visietechnologie met spectroscopie en opent via hoge resolutie beeldverwerking nieuwe mogelijkheden voor on-line kwaliteitsmonitoring van grondstoffen, tussenproducten en eindproducten in de voedingsproductie. Immers, naast screening op aan-/afwezigheid van moeilijk detecteerbare kwaliteitsgebreken of vreemde voorwerpen geeft deze visietechniek ook een beeld van de productsamenstelling.

De brede toepassingsmogelijkheden van hyperspectrale imaging  

In eerdere artikels werd de werking van hyperspectrale imaging en zijn toepassingsmogelijkheden voor het on-line detecteren van ongewenste voorwerpen, en verborgen hygiëne- en kwaliteitsdefecten toegelicht.  Daarbij werd duidelijk gemaakt dat hyperspectrale camera’s in staat zijn om het onzichtbare toch duidelijk ‘zichtbaar’ te maken omdat hyperspectrale camera’s ook opereren buiten het visuele domein en daarenboven voor iedere pixel in het beeld informatie weten te capteren van nauw opgesplitste golflengtebanden.  Gekoppeld aan complexe signaalverwerking die realtime beeldverwerking mogelijk maakt, biedt hyperspectrale imaging zeer brede toepassingsmogelijkheden in de voedingsproductie, die we als volgt kunnen groeperen:

  • Screening van oppervlakte kwaliteit
  •  Kleur- en patroonherkenning
  •  Visualisatie van productsamenstelling
  •  Detectie van vreemde voorwerpen

Hieronder volgen een aantal voorbeelden die deze ruime toepassingsmogelijkheden illustreren. 

Screening van oppervlakte kwaliteit

Eerder kwamen blutsdetectie en de classificatie van frietaardappelen met hyperspectrale imaging in een STW artikel al aan bod.  Andere voorbeelden van toepassingen zijn het detecteren van kleine barstjes in coatings of bevuiling aan het oppervlak van producten.  Door bepaalde golflengtegebieden te gebruiken kan ook net onder de oppervlakte ‘gekeken’ worden (Figuur 1). 


Figuur 1.  Lichtpenetratie is afhankelijk van de golflengte.  Visueel licht penetreert een tweetal cm diep (zwarte lijn), NIR golven (> 800 nm) gaan nog dieper.  Bron: Nofima via Wouter.Saeys@biw.kuleuven.be

Hyperspectrale imaging is in staat om snel een duidelijke onderscheid te maken tussen producten met verwante kleur, zoals bijvoorbeeld verschillende vleestypes (Figuur 2).  Ook patroonherkenning, waarvan het monitoren van de gelijkmatige verdeling van chocolade snippers aan het oppervlak van een koekje als voorbeeld in Figuur 3 wordt gegeven, behoort tot de toepassingsmogelijkheden.


Figuur 2.  Hyperspectrale (links) en RGB (rood/groen/blauw) (rechts) beeldopnames van varkens-, runds- en kippenvlees.  Bron: Middleton Research Hyperspectral Imaging Application Note Food and Agriculture 


Figuur 3.  Verdeling van chocoladeschilfers (in het groen gevisualiseerd na beeldverwerking) op een koekje, gemonitord met hyperspectrale imaging.  Bron: Middleton Research Hyperspectral Imaging Application Note Food and Agriculture   

Visualisatie van productsamenstelling

Per pixel kan met Hyperspectrale beeldverwerking ook de chemische samenstelling over een product oppervlak afgeleid worden.  Vooral het NIR gebied (800 – 2500 nm) leent zich uitstekend voor het bepalen van de spatiale verdeling van vocht, eiwit, suiker of vet in heterogene voedingsproducten zoals vlees of vis (Figuur 4).  Ook kunnen de pure spectra van ingrediënten bepaald worden.  Zo kent sucrose een scherpe absorptie van de golflengteband rond 1430 nm.  Honing heeft dan weer een totaal ander absorptie spectrum dan suikers.  Bijgevolg kunnen corn flakes gecoat met sucrose of honing makkelijk onderscheiden worden (Figuur 5).  Een ander voorbeeld van het visualiseren van productsamenstelling wordt getoond in Figuur 6, waarbij via spectrale imaging een beeld wordt verkregen van de verdeling van gluten, zetmeel en lucht in een brooddeeg tijdens het mixen. 


Figuur 4. De 2D-vetverdeling in een varkenslapje, bepaald via Hyperspectrale imaging.  Bron: Nofima, via Wouter.Saeys@biw.kuleuven.be


Figuur 5.  Corn flakes (midden) gecoat met suiker (links) of honing (rechts) kunnen onderscheiden worden met hyperspectrale imaging.  Bron: Middleton Research Hyperspectral Imaging Application Note Food and Agriculture


Figuur 6.  Verandering van de verdeling van zetmeel (groen), gluten (rood) en lucht (zwart) in een brooddeeg tijdens het sub-optimaal mixen (A), het optimaal mixen (B) en het overmixen (C).  Bron: Kokawa et al. (2011)   

Detectie van vreemde voorwerpen

Er bestaan reeds heel wat systemen om vreemde voorwerpen te detecteren.  Het detecteren van ongewenste voorwerpen die een gelijkaardige kleur als het product hebben (bv. plastic) of die doorzichtig zijn (bv. glas) blijft echter een uitdaging.  Dit zorgt regelmatig voor problemen, onlangs was er nog een recall in de VS voor een partij gehakt dat stukjes plastic bevatte.  Hyperspectrale imaging biedt hier een oplossing.  In een eerder STW artikel werd als voorbeeld het detecteren van steentjes in gebrande en ongebrande koffiebonen met hyperspectrale imaging beschreven. 

Bronnen

  • Wouter Saeys, MebioS (K.U.Leuven)
  •  Middleton Research Hyperspectral Imaging Application Note Food and Agriculure 
  •  Kokawa M., Fujita K.,  Sugiyama J., Tsuta M., Shibata M., Araki T., Nabetani H.  Visualization of the distribution of multiple constituents in bread dough by use of Fluorescence Fingerprint Imaging.  Lezing op International Congress on Engineering and Food, 22-26 mei 2011,  Athene.  

Nuttige links

Reacties