Innovative Detection Methods for Adulteration in Edible Oils: Machine Learning and Fumigation Techniques

Entdeckung von Lebensmittelverfälschungen in Ölen durch moderne Methoden

Die Qualität von Lebensmitteln, insbesondere von Speiseölen, ist von entscheidender Bedeutung für die Gesundheit der Verbraucher. Die Verfälschung von Ölen mit billigeren oder minderwertigen Substanzen ist ein weit verbreitetes Problem, das schwerwiegende gesundheitliche und wirtschaftliche Folgen haben kann. In diesem Blogbeitrag beleuchten wir zwei vielversprechende Methoden zur Entdeckung von Ölverfälschungen: den Einsatz von Datenanalysen durch Machine Learning (ML) und die Entwicklung eines Hardwaremoduls basierend auf der Fumigation-Methode mit Multikanal-Gassensoren.

Erkennung durch Datensatzanalyse

Im ersten Ansatz verwenden wir einen Datensatz, der sowohl reine als auch verfälschte Ölmuster enthält. Der Schlüssel zur Erkennung der Verfälschung liegt im Brechungsindex, der misst, wie Licht durch ein Material gebrochen wird. Ein Abgleich der Brechungsindices lässt Aufschluss über den Grad der Verfälschung zu. Durch den Einsatz eines Refraktometers werden die Brechungsindices der Ölproben erfasst und mithilfe von ML-Algorithmen klassifiziert, um festzustellen, ob die Verfälschung hoch, mittel oder niedrig ist.

Visualisierung

Abbildung 2: Blockdiagramm für die Erkennung mit Datensatz.

Die Datensätze, die für diese Analyse verwendet werden, umfassen unter anderem ATR-MIR-Spektroskopie, um verschiedene Verfälschungsgrade zu identifizieren. Ein Beispiel besteht darin, dass pflanzliche Öle eine niedrigere Brechung als reines Öl aufweisen, während tierische Fette eine höhere Brechung verursachen. Diese Informationen werden mit ML-Algorithmen wie K-Nächste Nachbarn (KNN), Random Forest, CATBOOST und XGBOOST kombiniert, um ein zuverlässiges Vorhersagemodell zu entwickeln.

Fumigation-Methode zur Identifikation von Verfälschungen

Die zweite Methode, die wir untersuchen, ist die Fumigation-Methode. Hierbei werden die Ölproben erhitzt, wodurch flüchtige Verbindungen entstehen, die dann durch spezielle Sensoren geleitet werden. Die Änderung der Leitfähigkeit dieser Sensoren korreliert mit dem Verfälschungsgrad des Öls und wird zur Klassifikation durch ML-Algorithmen verwendet.

Abbildung 3: Blockdiagramm für die Erkennung mittels Fumigation-Methode.

Datenanalyse und Probenvorbereitung

Für die Fumigation-Methode werden verschiedenen Verfälschungsgrade mit entsprechenden Mischungen von Palmöl und anderen Speiseölen erstellt. Diese Proben werden bei 40–50 °C erhitzt, um die flüchtigen Verbindungen zu erzeugen, die von den Sensoren erfasst werden.

Die erfassten Daten werden dann analysiert, um den Grad der Verfälschung in den Proben zu bestimmen.

Maschinelles Lernen zur Verbesserung der Erkennung

Der Einsatz von Machine Learning in beiden Ansätzen verbessert erheblich die Genauigkeit der Verfälschungserkennung. Hierbei werden verschiedene Algorithmen eingesetzt, die eine hohe Vorhersagegenauigkeit bieten und effizient mit Datensätzen umgehen können. Zum Beispiel:

• K-Nearest Neighbors (KNN): Anhand der Entfernung von Trainingsdaten werden Vorhersagen getroffen.
• Random Forest: Diese Methode verwendet eine Vielzahl von Entscheidungsbäumen und aggregiert deren Vorhersagen zur Verbesserung der Genauigkeit.
• CatBoost und XGBoost: Diese Methoden sind für ihre Effizienz bekannt, insbesondere wenn es um große Datenmengen mit fehlenden Werten geht.

Jede dieser Methoden hat spezifische Vor- und Nachteile, die je nach den verwendeten Daten angepasst werden können.

Fazit

Die Erkennung von Lebensmittelverfälschungen ist ein essentielles Thema, das durch moderne Technologien wie Machine Learning und innovative Sensoren revolutioniert wird. Beide Methoden – die Analyse von Brechungsindices und die Fumigation – bieten vielversprechende Ansätze zur Gewährleistung der Qualität und Sicherheit von Speiseölen. Durch diese Techniken können Verbraucher besser vor minderwertigen Produkten geschützt werden, während gleichzeitig die Qualität der Lebensmittelindustrie insgesamt steigt.

In der Zukunft könnten diese Methoden weiter verfeinert und perfektioniert werden, um noch zuverlässigere Ergebnisse zu liefern. Der Einsatz von fortschrittlicher Technologie in der Lebensmittelindustrie stellt einen wichtigen Schritt in Richtung Transparenz und Sicherheit dar.