Geursensors in de voedingsindustrie anno 2026: van elektronische neus naar artificieel olfactorisch systeem

VEG-i-TEC case – AI PathFinder project

Afgelopen jaren stond de zoektocht naar een geschikte geursensor voor het opsporen van afwijkende geuren in het proceswater van de blancheur bij VEG-i-TEC op het programma van het AI Pathfinder project. VEG-i-TEC is een proeftuin voor de groente- en aardappelverwerkende industrie van UGent en Flanders’ FOOD te Kortrijk. De real-time inline of online meting van vluchtige, organische componenten (VOC’s) met een geursensor bleek een grote uitdaging. Omwille van de hoge temperatuur en vochtigheid werd geen commerciële geursensor voor inline of online meting van off-flavourcomponenten (o.a. vluchtige, organische 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. De onderzoekers van VEG-i-TEC publiceerden recent een artikel over deze problematiek (Housmans & Sampers, 2026).

Zoektocht naar geschikte geursensors

Naar aanleiding van de VEG-i-TEC case concludeerden we dat er (nog) geen one-fits-all geursensor bestaat die de menselijke neus kan evenaren voor diverse toepassingen binnen de voedingsindustrie. In het artikel ‘Waar staan we in de zoektocht naar een geursensor?’ maakten we kennis met elektronische neustechnologie, zowel gebaseerd op gassensors als op massaspectrometrie. 

Sinds de beginjaren van de elektronische neuzen werden diverse gassensors ontwikkeld, die gebaseerd zijn op verschillende sensortechnologieën (figuur 1).

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 voren 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 2).

Naast gas sensor arrays werden ook elektronische neuzen ontwikkeld met een massaspectrometer als sensingsysteem (figuur 3). 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; SENSTECH).

Intussen is duidelijk geworden dat de zoektocht naar een inzetbare geursensor voor de voedingsindustrie niet langer uitsluitend een sensortechnologische uitdaging is. De grootste doorbraken worden vandaag gerealiseerd op het snijvlak van geavanceerde sensoren, artificiële intelligentie (AI) en machine learning (ML).

Toch heeft het onderzoek naar elektronische neuzen en geursensors de voorbije jaren een duidelijke versnelling hoger geschakeld.

Artificieel olfactorisch systeem of gassensingsysteem

Onderzoekers spreken steeds minder over individuele gassensors en steeds vaker over een artificieel olfactorisch systeem (artificial olfactory system), ook wel gassensingsysteem genoemd. Net zoals de menselijke neus niet steunt op één receptor maar op een groot aantal verschillende receptoren die samen een geurpatroon vormen, wordt ook bij moderne elektronische neuzen gewerkt met arrays van complementaire sensoren waarvan de signalen door AI-algoritmen geïnterpreteerd worden. Recente reviews beschouwen deze combinatie van sensoren, patroonherkenning en machine learning als de meest realistische route naar een digitale neus (figuur 4).

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 4). Enkele AI-gebaseerde geursensorsystemen worden nu reeds gebruikt voor voedingstoepassingen (Lee et al., 2025; Chowdhury & Oehlschlaeger, 2024).

AI wordt de echte gamechanger

De oorspronkelijke elektronische neuzen uit de jaren 1990 waren sterk afhankelijk van relatief eenvoudige patroonherkenningsalgoritmen zoals principal component analysis (PCA) en discriminantanalyse. Hoewel deze technieken nog steeds gebruikt worden, verschuift de aandacht steeds meer naar machine learning (ML) en deep learning (DL) (Lee et al., 2025; Chowdhury & Oehlschlaeger, 2024).

Recente studies tonen aan dat AI-modellen complexe geurpatronen beter kunnen herkennen, zelfs wanneer individuele sensoren onvoldoende selectief zijn. Moderne algoritmen kunnen niet alleen producten classificeren als conform of niet-conform, maar ook voorspellen hoe een product zich tijdens bewaring zal gedragen of in welke richting een productieproces evolueert. Adaptieve machine-learningmodellen blijken bovendien beter bestand tegen sensorveroudering (sensor drift), traditioneel één van de grootste problemen bij elektronische neuzen.

Daarmee verschuift de focus van de vraag “Welke sensor moeten we gebruiken?” naar “Hoe combineren we sensordata met AI om betrouwbare procesinformatie te genereren?”.

Voor voedingsbedrijven opent dit nieuwe perspectieven. In plaats van één specifieke off-flavourcomponent rechtstreeks te meten, kan een AI-model leren welke combinatie van sensordata typisch voorafgaat aan kwaliteitsproblemen of afwijkende geuren.

Biomimetische sensoren winnen terrein

Een tweede belangrijke evolutie is de opkomst van biomimetische en biosensorgebaseerde elektronische neuzen.

Klassieke gassensors zoals MOS (metal oxide semiconductor) gassensors zijn robuust en relatief goedkoop, maar missen vaak de specificiteit van de menselijke neus. Daarom wordt steeds meer onderzoek verricht naar sensors waarin biologische of biomimetische receptorcomponenten worden geïntegreerd. Hierbij worden geurbindende eiwitten, olfactorische receptoren of kunstmatige analogen gebruikt om bepaalde aromacomponenten selectiever te detecteren.

Volgens recente wetenschappelijke literatuur vormen machine learning-geïntegreerde biomimetische elektronische neuzen één van de meest veelbelovende onderzoeksrichtingen voor de komende jaren. Ze combineren de gevoeligheid van biologische systemen met de verwerkingskracht van AI (Lim & Kwon, 2026).

Toch bevinden veel van deze systemen zich voorlopig nog in een onderzoeksfase en zijn ze nog niet robuust genoeg voor dagelijks industrieel gebruik.

Doorbraak van MOF-materialen

Een opvallende ontwikkeling is de toenemende belangstelling voor MOF-materialen (metaal-organische roosters of metal organic frameworks) (Zheng et al., 2026).

Deze materialen bestaan uit poreuze structuren waarvan de eigenschappen op moleculair niveau aangepast kunnen worden. Daardoor kunnen ze doelgericht ontwikkeld worden voor specifieke vluchtige componenten. Hun grote oppervlak en hoge porositeit zorgen voor een sterk verbeterde gevoeligheid, terwijl hun chemische flexibiliteit meer selectiviteit mogelijk maakt.

MOF-gebaseerde sensoren worden vandaag beschouwd als één van de meest veelbelovende technologieplatformen voor toekomstige elektronische neuzen (figuur 5). Onderzoekers verwachten dat deze materialen vooral interessant zullen zijn voor toepassingen waarbij lage detectielimieten vereist zijn, bijvoorbeeld voor bederfindicatoren, oxidatieproducten of geurkrachtige off-flavourcomponenten met zeer lage geurdrempelwaarden.

Binnen de onderzoeksgroep Membraanscheidingen, Adsorptie, Katalyse en Spectroscopie voor Duurzame Oplossingen (cMACS) aan KU Leuven gebruiken onderzoekers deze nieuwe sensortechnologie, met link naar de Nobelprijs Chemie van 2025, voor de ontwikkeling van innovatieve sensors. Een MOF-sensor, die selectief en gevoelig vluchtige, organische zuren kan detecteren in omgevingen met hoge luchtvochtigheid, wordt verder ontwikkeld voor toepassingen in kwaliteitscontrole bij voedselproductie, zoals watermonitoring bij aardappelverwerking, opvolging van fermentatieprocessen … Voedingsbedrijven die sensors voor vluchtige, organische zuren willen uittesten in een productieomgeving, kunnen zich steeds melden bij de onderzoekers (Acid Alert).

Van kwaliteitscontrole naar procescontrole

De meeste toepassingen van elektronische neuzen binnen de voedingsindustrie situeren zich vandaag nog steeds in kwaliteitscontrole (Sanislav et al., 2025; Jayan et al., 2025):

Nieuwe AI-gebaseerde systemen verschuiven echter steeds meer richting procesmonitoring. De bedoeling is niet langer alleen afwijkingen vast te stellen, maar deze ook te voorspellen voordat ze zich manifesteren.

Dit sluit nauw aan bij de ervaringen binnen de VEG-i-TEC-case van het AI Pathfinder project. Daar bleek de rechtstreekse meting van geurcomponenten in het warme en vochtige proceswater van de blancheur bijzonder uitdagend. Het ontwikkelde AI-model maakte uiteindelijk gebruik van indirecte procesparameters zoals conductiviteit om het proces aan te sturen. Deze aanpak past perfect binnen een bredere trend waarbij AI-modellen verschillende sensordata combineren en niet noodzakelijk afhankelijk zijn van één specifieke geursensor.

Waarom de menselijke neus nog altijd wint

Ondanks de indrukwekkende vooruitgang blijft de menselijke neus voorlopig de referentie voor sensorische kwaliteitscontrole.

Recente overzichtsstudies geven aan dat onderzoekstoepassingen vaak classificatienauwkeurigheden boven 90% rapporteren, maar dat deze resultaten meestal bekomen worden onder gecontroleerde laboratoriumomstandigheden. In industriële omgevingen blijven vochtigheid, temperatuurwisselingen, sensorveroudering, vervuiling en productschommelingen belangrijke uitdagingen. Bovendien beschikken mensen nog steeds over een ongeëvenaard vermogen om geurcontext te interpreteren.

Met andere woorden: een operator die een afwijkende geur waarneemt in een productieproces blijft vandaag vaak sneller en betrouwbaarder dan een commercieel beschikbare geursensor. Vandaar het blijvend belang van bewustmaking en sensorische training van operatoren bij voedingsbedrijven en ingrediëntenleveranciers.

Naar samenwerking tussen neus en AI

De zoektocht naar dé geursensor voor de voedingsindustrie is anno 2026 nog niet afgerond. Een universele sensor die de menselijke neus volledig kan vervangen, bestaat nog steeds niet. Er blijven immers 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.

Wat wel duidelijk wordt, is dat de toekomst waarschijnlijk niet ligt bij één enkele sensor, maar bij slimme combinaties van:

• multisensorarrays;
• biomimetische sensoren;
• MOF-gebaseerde materialen;
• real-time procesdata;
• artificiële intelligentie (AI) en machine learning (ML).

De meest succesvolle systemen van morgen zullen daarom waarschijnlijk geen elektronische neuzen zijn die het sensorisch panel vervangen, maar digitale hulpmiddelen die menselijke expertise versterken. De menselijke neus blijft de referentie, terwijl AI-gebaseerde geursystemen steeds beter worden in het detecteren van subtiele patronen, het voorspellen van kwaliteitsproblemen en het ondersteunen van operatoren tijdens productieprocessen.

Voor de voedingsindustrie verschuift de vraag dan ook langzaam van “Wanneer krijgen we een geursensor?” naar “Hoe laten we mens, sensor en AI optimaal samenwerken?”.

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.

Housmans, J. a. J., & Sampers, I. (2026). Odor formation in reused potato processing water: potential causes, VOC markers and sensor needs. Critical Reviews in Food Science and Nutrition, 1–16. https://doi.org/10.1080/10408398.2026.2650555

Jayan, H., Zhou, R., Sun, C., Wang, C., Yin, L., Zou, X., & Guo, Z. (2025). Intelligent Gas Sensors for food safety and quality Monitoring: advances, applications, and future directions. Foods, 14(15), 2706. https://doi.org/10.3390/foods14152706

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

Lim, H., & Kwon, H. (2026). Biomimetic artificial olfactory systems based on metal-organic frameworks: from material design to intelligent pattern recognition. Progress in Materials Science, 163, 101770. https://doi.org/10.1016/j.pmatsci.2026.101770

Sanislav, T., Mois, G. D., Zeadally, S., Folea, S., Radoni, T. C., & Al-Suhaimi, E. A. (2025). A Comprehensive Review on Sensor-Based Electronic Nose for food quality and Safety. Sensors, 25(14), 4437. https://doi.org/10.3390/s25144437

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

Zheng, J., Xie, Y., Li, W., Sun, Q., Li, S., Liu, Y., Zhong, Z., Tang, Z., & Zhao, D. (2026). Metal–organic framework-based gas sensors: fabrication, mechanisms, and applications. Chemical Society Reviews, 55(3), 1561–1614. https://doi.org/10.1039/d5cs00472a