Een hyperspectrale kijk op vleeskwaliteit

Hyperspectrale beeldverwerking biedt een waardevol alternatief voor de conventionele tijdrovende methoden voor de evaluatie van vleeskwaliteit.

Het ontbreken van snelle, betrouwbare en niet-destructieve methoden om de kwaliteit van karkassen en versneden vlees te beoordelen is een van de grootste obstakels voor de kwaliteitscontrole in de vleesindustrie. Alle vlees bestemd voor verkoop wordt onderworpen aan doorgedreven kwaliteitscontroles bij slachten, versnijden, verpakken en distributie om voedselveiligheid te garanderen. Bovendien wordt zo ingespeeld op de wens van de consument die bereid is meer te betalen voor vlees waarvan de kwaliteit gegarandeerd wordt door kwaliteitslabels. Via hyperspectrale beeldanalyse kunnen significante kwaliteitsparameters van vlees in kaart gebracht worden.

Vleeskwaliteit

De consument definieert vleeskwaliteit als de kleur, de waterbinding en de marmering (hoeveelheid zichtbaar vet) van vers vlees en beslist op basis van deze kenmerken of de kwaliteit goed of slecht is. Donker vlees verkoopt niet, maar te licht vlees ook niet, evenmin als te vet of te waterig vlees. Malsheid, sappigheid en smaak bepalen samen de eetkwaliteit, en deze factoren worden grotendeels bepaald door de marmering en het waterbindend vermogen.

Het objectief en snel kunnen bepalen van vleeskwaliteit is van groot belang voor zowel de veehouder als de vleesverwerker daar kwaliteit een rechtreeks effect heeft op de prijs en de verwerkbaarheid van het vlees. In de vleesindustrie wordt de evaluatie en controle van vleeskwaliteit nog grotendeels uitgevoerd aan de hand van manuele en visuele inspecties, wat niet enkel tijdrovend is maar ook een subjectief oordeel toelaat. Visuele eigenschappen die vaak gebruikt worden om de kwaliteit te beschrijven zijn: grootte, vorm, kleur, textuur en uitzicht. Deze karakteristieken kan men ook, al dan niet rechtstreeks, opmeten met contactloze technologieën.

Hyperspectrale beeldverwerking

Een veelbelovende techniek is hyperspectrale beeldverwerking. Deze techniek combineert de kracht van digitale beeldverwerking met deze van spectroscopie. Voor elke pixel in een beeld registreert de camera voor verschillende spectrale banden de lichtintensiteit. Hyperspectrale camera’s combineren dus de hoge spatiale resolutie van de moderne digitale camera’s met de hoge spectrale resolutie van een spectrometer. Op die manier kan voor iedere pixel een spectrale handtekening opgesteld worden. Figuur 1 illustreert dit voor een ‘vet’ pixel en een ‘mager vlees’ pixel.

Via hyperspectrale beeldverwerking kan per pixel de chemische samenstelling tot op zekere diepte 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 bijvoorbeeld vlees of vis. Onderzoek heeft aangetoond dat via hyperspectrale beeldverwerking de malsheid en het waterbindend vermogen van vlees op een snelle en contactloze manier bepaald kan worden.


Figuur 1 Een hyperspectraal beeld van biefstuk met typische spectrale handtekeningen van ‘mager vlees’ en ‘vet’ pixels (Naganathan, 2008)

Malsheid

Kwaliteit van rundvlees wordt veelal beoordeeld op basis van de graad van marmering. Marmering slaat op de graad van intramusculair vet en bepaalt in grote mate de smaak en de sappigheid. De graad van marmering is echter maar beperkt gerelateerd met malsheid. De malsheid van het vlees is van veel factoren afhankelijk. Niet alleen de leeftijd en het ras van het rund bepalen de malsheid, maar ook de verwerking van het vlees bij de slacht. Het huidige classificatiesysteem bevat echter geen directe meting van ‘malsheid’ aangezien er geen accurate, snelle, niet-destructieve methode voor handen is om malsheid te meten.

Variatie in malsheid van rundvlees is voornamelijk te wijten aan verschillen in spierstructuur en biochemische eigenschappen (proteolyse van myofibrillair en cytoskeltaal eiwit) (Koohmaraie, 1994). Een hyperspectraal beeld kan gebruikt worden om zeer nauwkeurig fysische en geometrische karakteristieken zoals kleur, grootte, vorm en textuur te onderscheiden door zowel informatie over structuur als de biochemische informatie op te meten, wat de mogelijkheid om ‘malsheid’ accuraat te bepalen aanzienlijk vergroot.

Naganathan et al. (2008) optimaliseerden hyperspectrale beeldverwerking om de malsheid van gekookt vlees te bepalen op basis van hyperspectrale beelden van verse ribeye steaks. Via beeldverwerking (Figuur 2) werden specifieke kenmerken geëxtraheerd uit de hyperspectrale beelden. Op basis van deze analyse slaagden de onderzoekers erin verschillende vlees-stalen in te delen in verschillende malsheid-categorieën (mals, intermediair, taai).


Figuur 2: Hyperspectrale beeldverwerkingsprocedure (Naganathan et al., 2008)

Waterbindend vermogen

Het waterbindend vermogen van vers vlees geeft aan in hoeverre het inherente water behouden kan worden tijdens de omzetting van spierweefsel naar vlees. Vleesverwerkers steunen vooral op fundamentele parameters zoals pH en waterbindend vermogen bij hun keuzen van vlees en procesopties. El Masry et al. (2011) hebben in een recente studie aangetoond dat hyperspectrale beeldverwerking kan gebruikt worden als een snelle methode om het waterbindend vermogen van vers vlees afkomstig van drie verschillende spieren te voorspellen. De conventionele methode voor het bepalen van drip verlies werd als referentie gebruikt. Via hyperspectrale beeldverwerking was het zelf mogelijk de verschillen in waterbindend vermogen binnen één stuk vlees te visualiseren (Figuur 3).


Figuur 3: Verschillen in drip verliezen tussen de verschillende geteste spieren; (a) pseudo-kleuren beeld van het staal opgesteld op basis van 3 spectrale beelden bij 950 nm, 1200 nmen 1300 nm, (b) spectral beeld bij 980 nm – de waterabsorptieband en (c) de finale distributiekaart van de drip verliezen, met aanduiding van het gemiddelde dripverlies dat afneemt van links naar rechts (ST = M. semitendinosus, LD=M. longissimus dorsi, PM = Psoas Major) (El Masry et al. , 2011)

Bronnen

  • Koohmaraie, M. (1994), Muscle proteinase and meat aging, Meat Science, 36, 93-104
  • Naganathan, G., Grimes, L.M., Subbiah; J., Calkins, C.R., Samal, A., Meyer, G.E. (2008), Visible/near-infrared hyperspectral imaging for beef tenderness prediction, Computers and Electronics in Agriculture, 64, 225-253.
  • El Masry, G., Sun, D.-W., Allen, P. (2011) Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging, Food Research International, 44, 2624-2633.