| dc.date.accessioned | 2013-07-09T06:08:32Z | |
| dc.date.available | 2013-07-09T06:08:32Z | |
| dc.date.issued | 2013-07-09 | |
| dc.identifier.issn | 0931-6264 | |
| dc.identifier.uri | urn:nbn:de:hebis:34-2013070942935 | |
| dc.identifier.uri | http://hdl.handle.net/123456789/2013070942935 | |
| dc.language.iso | eng | |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject | Lebensmittelsicherheit | ger |
| dc.subject | Thermische Apparate | ger |
| dc.subject | Künstliche neuronale Netzwerke | ger |
| dc.subject | Food safety | eng |
| dc.subject | Thermal appliances | eng |
| dc.subject | Artificial neural networks | eng |
| dc.subject.ddc | 620 | |
| dc.title | Development of thermo-analytical prediction and classification models for food in thermal devices using a multi sensor system and artificial neural networks | ger |
| dc.type | Dissertation | |
| dcterms.abstract | Die thermische Verarbeitung von Lebensmitteln beeinflusst deren Qualität und ernährungsphysiologischen Eigenschaften. Im Haushalt ist die Überwachung der Temperatur innerhalb des Lebensmittels sehr schwierig. Zudem ist das Wissen über optimale Temperatur- und Zeitparameter für die verschiedenen Speisen oft unzureichend. Die optimale Steuerung der thermischen Zubereitung ist maßgeblich abhängig von der Art des Lebensmittels und der äußeren und inneren Temperatureinwirkung während des Garvorgangs.
Das Ziel der Arbeiten war die Entwicklung eines automatischen Backofens, der in der Lage ist, die Art des Lebensmittels zu erkennen und die Temperatur im Inneren des Lebensmittels während des Backens zu errechnen.
Die für die Temperaturberechnung benötigten Daten wurden mit mehreren Sensoren erfasst. Hierzu kam ein Infrarotthermometer, ein Infrarotabstandssensor, eine Kamera, ein Temperatursensor und ein Lambdasonde innerhalb des Ofens zum Einsatz. Ferner wurden eine Wägezelle, ein Strom- sowie Spannungs-Sensor und ein Temperatursensor außerhalb des Ofens genutzt.
Die während der Aufheizphase aufgenommen Datensätze ermöglichten das Training mehrerer künstlicher neuronaler Netze, die die verschiedenen Lebensmittel in die entsprechenden Kategorien einordnen konnten, um so das optimale Backprogram auszuwählen.
Zur Abschätzung der thermische Diffusivität der Nahrung, die von der Zusammensetzung (Kohlenhydrate, Fett, Protein, Wasser) abhängt, wurden mehrere künstliche neuronale Netze trainiert. Mit Ausnahme des Fettanteils der Lebensmittel konnten alle Komponenten durch verschiedene KNNs mit einem Maximum von 8 versteckten Neuronen ausreichend genau abgeschätzt werden um auf deren Grundlage die Temperatur im inneren des Lebensmittels zu berechnen.
Die durchgeführte Arbeit zeigt, dass mit Hilfe verschiedenster Sensoren zur direkten beziehungsweise indirekten Messung der äußeren Eigenschaften der Lebensmittel sowie KNNs für die Kategorisierung und Abschätzung der Lebensmittelzusammensetzung die automatische Erkennung und Berechnung der inneren Temperatur von verschiedensten Lebensmitteln möglich ist. | ger |
| dcterms.abstract | Thermal processing of foods influences their quality and health values. To achieve the optimal quality of the food the thermal processing has to be controlled depending on the food type. To be able to optimally control the heating process the kind of food and temperature inside the food during the process have to be known.
The aim of the work presented was the development of an automatic oven that was able to recog-nize the type of food and estimate the temperature inside it during the baking process.
The required data for the temperature calculation inside the food was gathered automatically with different sensors. An infrared thermometer, an infrared distance sensor, a camera, a temperature sensors and an lambda probe were built inside the oven. A load cell, a current and voltage sensor and a temperature sensor were put outside the oven.
The data gathered during the heat up phase of the oven from different foods was used to train several artificial neural networks to categorize the different foods into their corresponding food category for an automatic preparation.
To estimate the thermal diffusivity of the food, which depended on the composition (carbohydrate, fat, protein, water), several artificial neural networks were trained to estimate the individual composition components. Except for the fat component of the food all components could be estimated sufficiently to calculate the temperature inside the food by different ANNs with a maximum number of 8 hidden neurons.
The performed work shows that automatic recognition and internal temperature calculation of dif-ferent foods is possible using several sensors to gather directly and indirectly measurable data of the food and ANNs for categorization and component estimation. | eng |
| dcterms.accessRights | open access | |
| dcterms.creator | Luckhardt, Christoph | |
| dcterms.isPartOf | Forschungsbericht Agrartechnik des Fachausschusses Forschung und Lehre der Max-Eyth-Gesellschaft Agrartechnik im VDI (VDI-MEG) ;; 522 | ger |
| dc.contributor.corporatename | Kassel, Univ., Fachbereich 11 Ökologische Agrarwissenschaften | |
| dc.contributor.referee | Hensel, Oliver (Prof. Dr. sc. agr.) | |
| dc.contributor.referee | Grupa, Uwe (Prof. Dr.-Ing. ) | |
| dc.contributor.referee | Ploeger, Angelika (Prof. Dr. agr. Dr. hc mult.) | |
| dc.contributor.referee | Schlecht, Eva (Prof. Dr. sc. agr. ) | |
| dc.subject.swd | Lebensmittelverarbeitung | ger |
| dc.subject.swd | Backofen | ger |
| dc.subject.swd | Neuronales Netz | ger |
| dcterms.source.series | Forschungsbericht Agrartechnik des Fachausschusses Forschung und Lehre der Max-Eyth-Gesellschaft Agrartechnik im VDI (VDI-MEG) | ger |
| dcterms.source.volume | 522 | ger |
| dc.date.examination | 2013-03-25 | |
