Projektziel: Haltbarkeit realitätsnäher bestimmen
Entlang der Lebensmittel-Wertschöpfungskette – von der Produktion über Logistik und Handel bis hin zum Endverbraucher – verändern sich Umweltbedingungen wie Temperatur oder Licht. Diese beeinflussen die Qualität von Lebensmitteln, werden bisher jedoch nur begrenzt in Haltbarkeitsbewertungen einbezogen.
Das Forschungsteam aus ILT.NRW, InIT und Industriepartnern untersuchte daher chemische, physikalische und sensorische Veränderungen von Getränken unter verschiedenen Lagerbedingungen. Parallel wurden Methoden des maschinellen Lernens entwickelt, um diese Daten auszuwerten und für Qualitätsprognosen nutzbar zu machen.
Neuer Ansatz: Multi-Sensorik und KI
Viele bestehende Methoden zur Haltbarkeitsbestimmung basieren auf äußeren Einflussgrößen wie Temperatur oder Luftfeuchtigkeit. Diese liefern jedoch häufig nur indirekte Hinweise auf den tatsächlichen Zustand eines Lebensmittels.
Der Projektansatz kombiniert daher:
intrinsische Messgrößen wie pH-Wert oder Gaszusammensetzung
optische Parameter wie Farb- und Trübungsveränderungen
sensorische Bewertungen
KI-basierte Informationsfusion und Mustererkennung
Durch diese Kombination lassen sich Qualitätsveränderungen genauer erfassen und realistischere Haltbarkeitsprognosen erstellen.
Vorgehensweise im Projekt
Im Projekt wurden verschiedene Limonaden, deren Grundstoffe sowie Orangensaft untersucht. In Alterungs- und Lagerversuchen analysierte das Team Veränderungen der Produkte mithilfe chemischer, physikalischer und spektroskopischer Verfahren. Die Ergebnisse wurden kinetisch und multivariat ausgewertet.
Parallel entstand ein Monitoring Device (MD) – ein Sensorsystem zur kontinuierlichen Datenerfassung. Es umfasst unter anderem:
Kamera zur Analyse von Farb- und Trübungsdaten
Temperatursensoren
integrierte Beleuchtung
Steuereinheit zur Datenerfassung und -verarbeitung
Das System wurde in Laborumgebungen getestet und für den Einsatz in realen Logistikprozessen vorbereitet.
Zentrale Ergebnisse
Die Untersuchungen zeigen, dass einige Standardparameter wie pH-Wert, Dichte oder Trübung nur geringe Veränderungen über Zeit und Temperatur hinweg aufweisen. Andere Faktoren reagieren deutlich sensibler auf Lagerbedingungen, darunter:
Zuckergehalt und Abbauprodukte
Farbveränderungen (z. B. Anthocyane, Bräunungsindex)
Viskosität
L-Ascorbinsäuregehalt
sensorische Eigenschaften
Für Orangen- und Himbeergrundstoffe sowie Orangensaft konnten Alterungskinetiken erstellt werden. Auf Basis sensorischer Tests wurde zudem eine Akzeptanzgrenze für Orangensaft bestimmt. Daraus ließ sich ein dynamischer Cut-Off-Point (COP) ableiten – ein möglicher Ansatz für ein dynamisches Haltbarkeitsdatum.
Demonstrator für die Praxis
Ein weiterer Projekterfolg ist der Bau eines Monitoring Device in Form eines Getränkekastens. Das System kann perspektivisch in die Logistikkette einer Getränkedistribution integriert werden und dort kontinuierlich Daten zu Produktveränderungen erfassen.
Bereits im Projekt gelang es, Farb- und Trübungsveränderungen verschiedener Modelllösungen und Limonaden erfolgreich zu modellieren.
Perspektive
Die Ergebnisse des Projekts zeigen, dass die Kombination aus Multi-Sensorik, Datenfusion und KI neue Möglichkeiten für eine realitätsnahe Bewertung von Lebensmittelqualität eröffnet. Langfristig könnten dynamische Haltbarkeitsdaten dazu beitragen, Lieferketten effizienter zu gestalten und Lebensmittelverluste deutlich zu reduzieren.
