Untersuchung von Farbspektren und deren Zusammenhang mit anderen Produkteigenschaften bei unterschiedlichen Trocknungsprozessen von Lebensmitteln
| dc.date.accessioned | 2021-02-11T08:38:10Z | |
| dc.date.available | 2021-02-11T08:38:10Z | |
| dc.date.issued | 2021 | |
| dc.identifier | doi:10.17170/kobra-202102043127 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/12494 | |
| dc.description.sponsorship | RELOAD Projekt, Förderkennzeichen 031A247C | ger |
| dc.language.iso | ger | ger |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.subject.ddc | 620 | |
| dc.title | Untersuchung von Farbspektren und deren Zusammenhang mit anderen Produkteigenschaften bei unterschiedlichen Trocknungsprozessen von Lebensmitteln | ger |
| dc.type | Dissertation | |
| dcterms.abstract | Zur Erfassung von Veränderungen der Produkteigenschaften während der Trocknung von Lebensmitteln werden zerstörungsfreie Qualitätsmesstechniken gefordert, mit denen Veränderungen im Inneren des Produkts bestimmt werden können. Gerade im industriellen Einsatz sind schnelle, präzise, und gleichzeitig robuste Verfahren besonders wichtig, um qualitativ hochwertige Produkte zu erhalten. In dieser Arbeit wurde zur optischen Qualitätsmessung ein neuartiges multispektrales Kamerasystem eingesetzt, um von Veränderungen der spektralen Oberflächenreflexion bei der Mango- und Ananastrocknung mit Veränderungen der Produktfeuchte, sowie mechanischen und chemischen Eigenschaften zu verknüpfen. Diese Verknüpfung wurde mit maschinellem Lernen erreicht. In einem ersten Schritt wurde ein neues Kameraprinzip, eine multispektrale Flächenkamera mit vier Objektiven und Vorsatzfiltern, entwickelt und speziell auf den Einsatz in der Obsttrocknung angepasst. Anschließend wurden die Änderungen der Spektren und der Qualitätskriterien während der Trocknung gemessen. Dazu wurden Mango- und Ananasscheiben in einem Einzelschichttrockner bei Lufttemperaturen zwischen 40 °C und 80 °C und relativen Luftfeuchtigkeiten von 5 % bis 30 % getrocknet. Während der gesamten Trocknungsdauer wurde die Produktfeuchte der Proben gemessen, und Bilder mit der multispektralen Flächenkamera aufgenommen. Zur Analysen von nur ausgewählten Bereichen von Interesse in den Bildern wurde ein Softwarefilter entwickelt. Aus Spektraldaten und Prozessdaten konnte mit Algorithmen des maschinellen Lernens die Produktfeuchte zu jedem Zeitpunkt sehr genau vorhergesagt werden (Bestimmtheitsmaß R² von 0,98 bis 0,99). Die Kombination aus dem Prinzip der multispektralen Flächenkamera und maschinellem Lernen wurde in einem anderen Trocknungsprozess und mit weiteren Qualitätskriterien getestet. Dafür wurden Mangoscheiben in einem Schranktrockner getrocknet und deren Produkteigenschaften anhand der Spektraldaten und der Prozessdaten vorhergesagt. Bei der Vorhersage der Farbwerte Δa*, Δb* und ΔE00 sowie des Gehalts an gesamtlöslichen Feststoffen im Rehydrierungswasser wurden Bestimmtheitsmaße R² zwischen 0,56 und 0,94 erzielt). Es konnte gezeigt werden, dass die Kombination aus dem neu entwickelten Multispektralkamerasystem und maschinellem Lernen zur Vorhersage der Produktfeuchte und anderer Qualitätskriterien der Produkte eingesetzt werden kann. Auf diese Weise können Qualitätsänderungen während des Prozesses mit nur wenigen Messgeräten inline überwacht werden. | ger |
| dcterms.accessRights | open access | |
| dcterms.creator | Kelly, Katrin | |
| dcterms.dateAccepted | 2020-12-11 | |
| dcterms.extent | XVI, 150 Seiten | |
| dcterms.isPartOf | Forschungsbericht Agrartechnik des Fachausschusses Forschung und Lehre der Max-Eyth-Gesellschaft Agrartechnik im VDI (VDI-MEG) ;; 618 | ger |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Ökologische Agrarwissenschaften | ger |
| dc.contributor.referee | Hensel, Oliver (Prof. Dr.) | |
| dc.contributor.referee | Hofacker, Werner (Prof. Dr.) | |
| dc.subject.swd | Trocknung | ger |
| dc.subject.swd | Lebensmittel | ger |
| dc.subject.swd | Produkteigenschaft | ger |
| dc.subject.swd | Lebensmittelqualität | ger |
| dc.subject.swd | Messtechnik | ger |
| dc.subject.swd | Oberflächenprüfung | ger |
| dc.subject.swd | Feuchtigkeitsmessung | ger |
| dc.subject.swd | Maschinelles Lernen | ger |
| dc.type.version | publishedVersion | |
| dcterms.source.series | Forschungsbericht Agrartechnik des Fachausschusses Forschung und Lehre der Max-Eyth-Gesellschaft Agrartechnik im VDI (VDI-MEG) | ger |
| dcterms.source.volume | 618 | ger |
| kup.iskup | false |
Dateien zu dieser Ressource
Das Dokument erscheint in:
-
Dissertationen [63]
Solange nicht anders angezeigt, wird die Lizenz wie folgt beschrieben: Attribution-NonCommercial-NoDerivatives 4.0 International