Waar staan we in de zoektocht naar een geursensor voor de voedingsindustrie?

Belang van vluchtige, organische componenten voor sensorische kwaliteit

De sensorische kwaliteit van een voedingsproduct wordt in belangrijke mate bepaald door de aromacomponenten. Deze vluchtige, organische componenten (VOC’s), die van nature voorkomen in elk voedingsproduct, kunnen afkomstig zijn van grondstoffen of ingrediënten, maar ook tijdens het productieproces gevormd worden (bv. bij branden van koffie, tijdens de fermentatie van drooggezouten ham, tijdens de rijping van kaas, …). Naast de aromacomponenten, die van nature voorkomen in voedingsproducten en gevormd worden door biogenese, warmtebehandeling, fermentatie, oxidatie, …, worden in sommige voedingsproducten ook nog toevoegaroma’s gebruikt.

De aromasamenstelling van een voedingsproduct kan heel complex zijn (vaak honderden verschillende vluchtige componenten met elk een eigen aromakarakter). De chemische structuur van deze aromacomponenten is doorgaans heel divers (alcoholen, ketonen, thiolen, terpenen, vluchtige zuren, vrije vetzuren, furanen, pyrazinen, aldehyden, esters, …) (figuur 1).

Naast een complexe aromasamenstelling met aromacomponenten uit diverse chemische klassen, bestaan er tussen de aromacomponenten onderling grote verschillen in geurdrempelwaarde. Een geurdrempelwaarde van een vluchtige, organische component geeft aan welke concentratie door de menselijke neus kan waargenomen worden – m.a.w. hoe geurkrachtig een aromacomponent is, hoe lager de geurdrempelwaarde van de aromacomponent. In de aromaliteratuur zijn er aromacomponenten beschreven met extreem lage geurdrempelwaarden (bv. trichlooranisol of TCA, verantwoordelijk voor kurksmaak in wijn). Aromacomponenten met lage geurdrempelwaarden hebben doorgaans (afhankelijk van hun concentratie in het product) een grotere impact op de sensorische kwaliteit van een voedingsmiddel. Als je de chemische achtergrond van de smaak - in brede betekenis van het woord, zoals in het Engelse woord ‘flavour’- van een voedingsproduct wil begrijpen, is het dus belangrijk om de aromacomponenten in kaart te brengen.

Smaakafwijkingen of off-flavours

Soms worden er tijdens het productieproces ook vluchtige componenten gevormd die verantwoordelijk zijn voor smaakafwijkingen of off-flavours in voedingsproducten. Daarnaast kunnen er ook smaakafwijkingen optreden door niet-conforme grondstoffen, ingrediënten of verpakkingsmaterialen of door contaminatie tijdens transport, opslag en bewaring van voedingsproducten. Smaakafwijkingen in voedingsproducten en ingrediënten moeten in ieder geval vermeden worden aangezien ze kunnen leiden tot dure terughaalacties en ernstige imagoschade, zowel voor de voedingsproducent of retailer, als voor het merk.

Meestal worden smaakafwijkingen in voedingsproducten vastgesteld onmiddellijk na het productieproces tijdens sensorische kwaliteitscontrole door het intern sensorisch panel. In sommige gevallen worden off-flavours pas vastgesteld wanneer de producten reeds op de markt zijn en er consumentenklachten optreden. De meeste voedingsbedrijven hebben een goed zicht op de systematische smaakafwijkingen die in hun voedingsproducten kunnen voorkomen (bv. berengeur in varkensproducten, kurksmaak in wijn, ranzige smaakafwijking in vetrijke producten omwille van vetoxidatie, …). Het is dus voor een voedingsbedrijf belangrijk om op elk moment te beschikken over een deskundig geselecteerd en getraind kwaliteitscontrolepanel, dat gevoelig is voor gekende, systematische smaakafwijkingen in de geproduceerde voedingsmiddelen. Uiteraard kunnen ook steeds accidentele smaakafwijkingen optreden in eindproducten (bv. off-flavours door contaminatie tijdens opslag of transport, verpakkingsgerelateerde smaakafwijkingen, …).

Sensorische kwaliteitscontrole met een intern sensorisch panel

Sensorische ingangscontrole met een intern geselecteerd en getraind smaakpanel op inkomende grondstoffen of ingrediënten is geen overbodige luxe voor een voedingsbedrijf. Dankzij zorgvuldige sensorische ingangscontrole kunnen immers off-flavours in eindproducten vermeden worden. Sensorische kwaliteitscontrole tijdens het productieproces en op eindproducten behoort eveneens tot de dagelijkse werking van een voedingsbedrijf. Er bestaan veel praktische uitdagingen voor een voedingsbedrijf om een in-company sensorisch panel voor sensorische kwaliteitscontrole op de been te houden. De selectie, training en monitoring van een smaakpanel is tijdrovend. Bovendien is de organisatie van sensorische testen vrij arbeidsintensief. Desalniettemin zijn dagelijkse sensorische testen om de smaak van afgewerkte producten te controleren, onontbeerlijk in elk voedingsbedrijf. 

Instrumentele technieken voor het meten van sensorische kwaliteit

Naast sensorische analyse of smaaktesten kunnen ook chemisch-analytische technieken ingezet worden om de sensorische kwaliteit van grondstoffen, ingrediënten en eindproducten te controleren. 80% van de globale sensorische perceptie van een voedingsproduct speelt zich af in de neus, waarbij de vluchtige aromacomponenten een rol spelen. Om de vluchtige, organische componenten (VOC’s) of aromacomponenten van een product in kaart te brengen, wordt gaschromatografie in combinatie met massaspectrometrie (GC-MS) als meest courante instrumentele analysetechniek gebruikt. Een klassieke GC-MS-analyse geeft veel informatie over de aromasamenstelling van een voedingsmiddel, maar is tegelijkertijd tijdrovend. Bovendien is een GC-MS-instrument niet voor alle voedingsbedrijven een haalbare kaart omwille van de kostprijs en de nood aan gekwalificeerd personeel.

Elektronische neustechnologie

Sinds de jaren ‘90 werden daarom snellere, instrumentele technieken ontwikkeld om de sensorische kwaliteit van voedingsmiddelen te meten, zogenaamde elektronische neuzen (e-noses). Deze worden gebruikt voor het meten van vluchtige, organische componenten (VOC’s) in voedingsmiddelen naar analogie met de menselijke reukzin (Figuur 3).

Globaal gezien werden er 2 soorten e-nosesystemen ontwikkeld voor de voedingsindustrie: 

1. Elektronische neuzen, gebaseerd op gassensors (gas sensor arrays)
2. Elektronische neuzen, gebaseerd op massaspectrometrie (MS-nose)

De oorspronkelijke gas sensor arrays hadden een beperkt succes binnen de voedingsindustrie omdat ze op dat moment duur, niet robuust en weinig gevoelig en specifiek waren. Sommige elektronische neuzen werden naar voor geschoven als het ultieme alternatief voor smaakpanels. De elektronische neuzen, gebaseerd op gassensors, konden de belofte niet waarmaken en werden vaak als een ‘black box-technologie’ afgeschilderd, zonder te weten welke vluchtige componenten exact gemeten werden in een voedingsproduct (figuur 4).

Naast gas sensor arrays werden ook elektronische neuzen ontwikkeld met een massaspectrometer als sensingsysteem. Het voordeel van massaspectrometrie-gebaseerde elektronische neuzen (MS-nose) ten opzichte van conventionele elektronische neuzen met gassensors was de beschikbaarheid van chemische informatie (mass fingerprints) m.b.t. de aanwezige vluchtige componenten. Omwille van de complexiteit en de kostprijs van de MS-noseconfiguratie bleef de MS-nose een laboratoriuminstrument voor snelle classificatie van voedingsproducten en ingrediënten op basis van hun aromasamenstelling (Dirinck, 2009).

Gaandeweg werden e-noses ook voor andere toepassingen gebruikt dan voor sensorische kwaliteitscontrole van voedingsmiddelen en ingrediënten. De ontwikkeling van gassensors heeft niet stilgestaan en uiteraard worden gassensors niet alleen ontwikkeld voor de voedingsindustrie. Vandaag de dag worden gassensors ook in andere domeinen gebruikt voor het meten van eenvoudige gassen (o.a. H₂, CO, methaan) of meer complexere vluchtige, organische componenten (geneeskunde, farmacie, milieu, defensie, …) (figuur 6).

Gassensors in de voedingsindustrie

Sinds de beginjaren van de elektronische neuzen werden diverse gassensors ontwikkeld, die gebaseerd zijn op verschillende sensortechnologieën (figuur 5).

De use-cases van elektronische neuzen en geursensors binnen de voedingsindustrie zijn heel uiteenlopend: detecteren van smaakafwijkingen, opsporen van bederf, meten van authenticiteit, … Afhankelijk van de doelstelling van de use-case en de meetomstandigheden kunnen bepaalde geursensors gebruikt worden. MOS (metal oxide semiconductor) gassensors worden vaak gebruikt bij voedingstoepassingen. De recenter ontwikkelde MOF (metal-organic frameworks) gassensors bieden ook veelbelovende resultaten voor bepaalde toepassingen. Het grote aanbod van verschillende types van gas- of geursensors (conducting polymer (CP), quartz crystal microbalance (QCM), surface acoustic wave (SAW), optische, elektrochemische en biologische/biomimetische sensors) geeft duidelijk aan dat er geen one-fits-all-sensor bestaat, die voor elke toepassing kan ingezet worden. Vooral biologische/biomimetische sensors bieden een oplossing voor het gebrek aan specificiteit van sommige gassensors (zie ook figuur 10).

Zowel atline of offline metingen van VOC’s in afgewerkte voedingsproducten, als online of inline metingen van VOC’s tijdens het productieproces kunnen interessant zijn voor voedingsbedrijven (figuur 8).

Stroomversnelling dankzij AI

Dankzij artificiële intelligentie (AI) en machine learning (ML) kunnen we van de volgende generaties elektronische neuzen en geursensors veel meer mogelijkheden verwachten. De complexe sensingdata van elektronische neuzen en gas- en geursensors, die vroeger niet adequaat konden verwerkt worden met patroonherkenningsalgoritmen kunnen vandaag met AI en ML leiden tot succesvolle toepassingen voor voedingsproducten. De oorspronkelijke opmerking van ‘black box-systemen’ blijft overeind, maar dankzij AI kunnen de sensordata beter verwerkt worden en sensingsystemen met meer succes ingezet worden (Figuur 9). Enkele AI-gebaseerde geursensorsystemen worden nu reeds gebruikt voor voedingstoepassingen (Lee et al., 2025; Chowdhury & Oehlschlaeger, 2024).

Toch blijven er grote uitdagingen bestaan om de uitzonderlijk performante menselijke neus te evenaren. Vaak is onze neus nog altijd gevoeliger dan een geursensor om smaakafwijkingen in voedingsproducten of tijdens productieprocessen te detecteren. Real-time metingen van vluchtige, organische componenten (VOC’s) met geursensors in productieprocessen blijven een grote uitdaging. AI-sensors en machine learning-geïntegreerde biomimetische elektronische neuzen zouden de beste kaarten hebben voor een beloftevolle toekomst binnen diverse toepassingsdomeinen (Figuur 10) (Tan & Xu, 2020; Lee et al., 2025).

Andere snelle instrumentele technieken voor vluchtige componenten

Klassieke GC-MS-profilering is en blijft dé meest gebruikte analytische techniek om vluchtige componenten in kaart te brengen. Naast betere isolatietechnieken voor vluchtige, organische componenten en geavanceerde massaspectrometrische technieken, werden ook innovatieve, snelle en niet-destructieve technologieën ontwikkeld om vluchtige componenten in kaart te brengen. Selected ion flow tube-mass spectrometry (SIFT-MS), proton transfer reaction-mass spectrometry (PTR-MS) en ion mobility spectrometry (IMS) zijn interessante technieken, maar hebben omwille van hun kostprijs en complexiteit nog niet de weg gevonden naar de voedingsindustrie.

VEG-i-TEC case – AI PathFinder project

In het kader van het AI PathFinder project zochten we naar een geschikte geursensor voor de detectie van off-flavourcomponenten in het proceswater van de blancheur bij de productie van aardappelproducten bij VEG-i-TEC. VEG-i-TEC is een proeftuin voor groente- en aardappelverwerkende industrie van UGent en Flanders’ FOOD in Kortrijk. Eens te meer bleek dat de real-time inline of online meting van VOC’s met een geursensor een grote uitdaging is. Omwille van de hoge temperatuur en vochtigheid werd geen commerciële geursensor voor inline of online meting van off-flavourcomponenten (o.a. vluchtige zuren) gevonden. Desalniettemin konden de projectpartners een AI-model (o.b.v. conductiviteitsmetingen) ontwikkelen om de verversingsgraad van het proceswater in de blancheur te sturen en op die manier smaakafwijkingen in de afgewerkte aardappelproducten te vermijden en tegelijkertijd duurzaam om te springen met waterverbruik.

In de meeste aardappelverwerkende bedrijven bepalen de operatoren de verversingsgraad van het blancheerwater met hun eigen neus. Daarom worden operatoren specifiek geselecteerd en getraind om tijdens het productieproces off-odours in het blancheerwater op te sporen.

Bronnen

Chowdhury, M. A. Z., & Oehlschlaeger, M. A. (2024). Artificial intelligence in gas sensing: a review. ACS Sensors, 10, 1538–1563.

Dirinck, I. (2009). Mass spectrometry-based electronic nose technology for aroma analysis of coffee and wine [PhD]. Ghent University.

Lee, T., Yu, J., Lee, S. W., Oh, S. H., Kang, D., Son, H., Hwang, H., You, J. H., & Lee, G. (2025). Machine learning-integrated biomimetic electronic noses: Future perspectives. Microchemical Journal, 113638. https://doi.org/10.1016/j.microc.2025.113638

Starowicz, M. (2021). Analysis of volatiles in food products. Separations, 8(9), 157. https://doi.org/10.3390/separations8090157

Tan, J., & Xu, J. (2020). Applications of electronic nose (e-nose) and electronic tongue (e-tongue) in food quality-related properties determination: A review. Artificial Intelligence in Agriculture, 4, 104–115. https://doi.org/10.1016/j.aiia.2020.06.003

Vanaraj, R., IP, B., Mayakrishnan, G., Kim, I. S., & Kim, S. (2025). A systematic review of the applications of electronic nose and electronic tongue in food quality assessment and safety. Chemosensors, 13(5), 161. https://doi.org/10.3390/chemosensors13050161

Wang, M., & Chen, Y. (2023). Electronic nose and its application in the food industry: a review. European Food Research and Technology, 250(1), 21–67. https://doi.org/10.1007/s00217-023-04381-z