Spektrikuvantamista voi hyödyntää laajasti elintarvikeketjussa

Spektrikuvauntamista käytetään nykyisin jo monipuolisesti elintarvikealalla, varmistettiinpa hedelmän kypsyyttä, lihan pH:ta, avokadon kuiva-ainepitoisuutta tai kalan laatua. 

Spektrikuvausta voi hyödyntää laajasti ruoka-alalla, koska se tarjoaa mahdollisuuden ”aistia” monia hyödyllisiä koostumusten piirteitä. Kuvausta voidaan hyödyntää jatkuvatoimisesti linjastolla, ja se soveltuu erilaisille tuotteille ja moniin käyttötarkoituksiin. 

Spektrikuvauksella saadaan enemmän tietoa kuin perinteisellä konenäöllä tai tekoälyllä, koska spektrikuvat sisältävät huomattavasti enemmän tietoa. 

Tuotteen laadun varmistamiselle on oleellista, että yksittäisten laboratorion pistonäytteiden sijaan voidaan seurata jokaisen tuotteen laatua. Värinäön perusteella voidaan esimerkiksi tunnistaa, että kypsät tomaatit ovat syvän punaisia. Menetelmä ei kuitenkaan sovellu kaikkiin tomaattilajikkeisiin, kuten oransseihin tai mustiin tomaatteihin. 

Spektrikuvauksella värin sijaan voidaan arvioida sokeripitoisuutta tai saada tietoa kypsymisprosessin klorofylli- ja lykopeenipitoisuudesta. Niiden avulla kypsyys voidaan arvioida objektiivisesti ja tarkasti minkä tahansa lajikkeen osalta. Spektrikuvauksella voidaan tunnistaa myös muita ominaisuuksia kuten tomaattien happamuus tai sitrushedelmien limoniinin määrä, jotka kuvaavat myös makua ja sokeripitoisuutta. 

Tarkempi kuin asiantuntija 

Alankomaissa toteutussa kasvihuoneautomaatiokilpailussa tiimit ohjasivat kasvihuonetta etäyhteydellä sadon optimoimiseksi. Mielenkiintoista oli, että huonoimmatkin automaattiset ratkaisut olivat parempia kuin asiaan perehtynyt ihmisviljelijä.  

Tuoreus varmistuu, kun mittaa ja ymmärtää varastoinnin ja kuljetuksen vaikutukset elintarvikkeisiin. Laatua voidaan valvoa läpi koko tuotantoprosessin.  

Alalla on työvoimapulaa erityisesti vaativissa jatkojalostuksen tehtävissä. Jatkuvat uusien työntekijöiden perehdyttämiset tulevat kalliiksi, mutta koneille toistuvat työt ovat helppoja. Ne keräävät väsymättä tietoa, joka auttaa tuotteen laatuseurannan eri vaiheissa.  

Kuvantamisella voidaan vähentää myös kemikaalien määrää, koska sillä voidaan arvioida kasvin hyvinvointia, terveyttä ja sairauksia. Spektrikuvauksella on havaittu hienovaraisia enteitä, ennen kuin ihmissilmä erottaa kasvisairauden tai laatuvirheet. Tämä on tärkeää myös ruokahävikin ehkäisyssä. Vedenkulutusta voidaan vähentää arvioimalla kasvien vesistressiä ja säätämällä vedenjakelua.  

Kuvantamisella voidaan arvioida myös tuotteiden laatua: esimerkiksi erottaa joukosta yksilöt, joiden proteiinipitoisuus on korkea tai erotella arvoltaan pienemmät toisen lopputuotteen raaka-aineeksi.  

Materiaalien luokittelu ja erottaminen 

Kolme merkittävintä tapaa hyödyntää spektrikuvantamista ovat tuotteiden lajittelu ja arviointi, vierasesineiden tunnistaminen ja laadunvalvonta. Päätehtävänä on tunnistaa materiaalikoostumus. 

Spektroskopiaan verrattuna spektrikuva lisää tilaulottuvuuden. Siksi myös epähomogeenisten tuotteiden, kuten rehun, analysointi ja lajittelu on mahdollista. Esimerkiksi pähkinöitä voi erotella kuorista, vaikka niiden väri on samankaltainen. Konenäkö erottelee muodon ja värin perusteella.  

Kasvin lehtien ja varsien erottaminen toisistaan on tärkeää esimerkiksi sairauksien määrittämisessä, sillä eri sairaudet vaikuttavat lehtiin ja varsiin. Konenäölle vihreän erottaminen vihreästä olisi vaikeaa. Tekoälyllekin rakenteiden erottaminen on vaikeaa, spektrikuvauksella yksinkertaista.  

Tuotteiden joukosta on tärkeää poistaa sinne kuulumaton aines, kuten muovit. Muovia voi päätyä tuotteisiin esimerkiksi suojakäsineistä, käsittelykoneista tai sadonkorjuusta. Vierasesineet voivat olla kiviä, puuta, pellolla tai kasvihuoneissa käytettäviä muoveja, lasia tai vaikka metallia. Metallin saa poistettua magneetilla, mutta spektrikuvaus sopii hyvin muiden vierasesineiden tunnistamiseen. 

Laadunvalvonnan monipuolistuminen 

Spektrikuvaus antaa mahdollisuuden monipuolisten laatumääreiden luomiseen, luokitteluun ja arviointiin. Tuotteista voi esimerkiksi arvioida rasva- ja proteiinipitoisuuden, kosteuden, kuiva-aineen määrän, hedelmien kiinteyden ja lihan mureuden. Kemiallista koostumusta ei voi selvittää konenäöllä ja tekoälyllä. 

Selkeiden kemiallisten tai rakenteellisten määreiden lisäksi spektrikuvasta voidaan nähdä myös maun tai syöntikelpoisuuden ominaisuuksia, jotka määritellään aistinvaraisen raadin arvion perusteella. Esimerkiksi värinmääritys voidaan tehdä jokaiselle tuotekappaleelle reaaliajassa.  

Spektrikuvausta voidaan hyödyntää myös elintarvikepetosten havaitsemisessa esimerkiksi mauteseosten väärien komponenttien havaitsemiseksi. 

Elintarviketeollisuuden sovellukset 

Spektrikuvaus ei ole uutta teknologiaa, vaan soveltavaa tutkimusta on tehty jo parikymmentä vuotta. Spektrikuvauksen sovellukset ovat monelle toimijalle strategisia etuja, joten ne on pidetty luottamuksellisina. Edelläkävijöitä on useita, ja kukin on rakentanut ratkaisunsa itse. Ne ovat vaatineet merkittäviä investointeja ja vaivaa, minkä takia niitä ei ole jaettu julkisesti. 

Tilanne on kuitenkin muuttumassa, sillä spektrikuvantamisen rakentaminen on helpottunut. Konenäön ja koneiden rakentajat tarjoavat integroituja spektrikameroita standardien mukaisesti. Aiemmin tiedon analysointi piti rakentaa tyhjästä. Nykyään on käyttäjäystävällisiä, valmiita datan analysointipaketteja, joilla käyttäjä voi saada räätälöityjä tulkintatuloksia omille näytteilleen nopeasti ja jotka voidaan ottaa teolliseen, reaaliaikaiseen tuotantoon. Ne myös kehittyvät nykyistäkin nopeammin käyttöön otettaviksi. 

On olemassa sovelluksia hedelmän kypsyyden tunnistamiseen, lihan pH:n määrittämiseen, kuiva-aineen määrän selvittämiseen avokadoissa, lihan rasvapitoisuuden arviointiin, broilerin puurinnan havaitsemiseen, saksanpähkinän härskiyden havaitsemiseen, pakkaussinetin tarkastamiseen, siementen ja jyvien proteiinipitoisuuden määrittämiseen ja kalan laadun analysointiin.  

Tulevaisuudessa laatupäällikkö voinee ostaa proteiinin kuvausanturin, kosteusjakauma-anturin tai vierasesine-anturin. Myös kamerat kehittyvät. Nykyiset monispektrikamerat eivät välttämättä kykene analysoimaan kaikkia mahdollisia ominaisuuksia tuotteesta, vaan vain ne, joita varten ne on rakennettu. Hyperspektrikamerat tulevat tarjoamaan laajempia käyttömahdollisuuksia.  

On selvää, että ihmisen suorittamat lajittelutehtävät tulevat kalliiksi vaikeassa ympäristössä. Spektrikuvaus voi tuoda merkittävää taloudellista hyötyä riippumatta siitä, mitä spektrikameraa käytetään.  

Paljon tietoa kerralla 

Spektrikuvauksessa kerätään tuotteesta heijastunutta valoa. Valo on vuorovaikutuksessa tuotteen pinnan kanssa, ja eri yhdisteiden pinnasta syntyvät valoaallot näkyvät spektrikamerassa eri tavoin. Spektrikuvaus ei tuota vain kolmen värinauhan kuvia (punainen, vihreä, sininen), kuten tavanomaisissa kameroissa, vaan kymmenistä satoihin väreihin, eli värikanaviin. 

Hyperspektrikuvauksessa jokainen kanava edustaa näytteestä heijastunutta valoa tietyllä kapealla aallonpituusalueella. Jokainen pikseli sisältää siis tiheän spektrin, eli 1D-signaalin. Tämä signaali sisältää paljon enemmän tietoa kuin tavalliseen kameraan tallentuu. Signaali auttaa ymmärtämään kuvauskohteen kemiallista koostumusta sen väristä ja muodosta riippumatta.