Deep Learning-basierte Authentizitäts- und Qualitätsanalyse von Citrusprodukten und Vanille mittels multimodalem Benchtop Profiling (DeepAuthent)
Im Projekt DeepAuthent (Deep Learning-basierte Authentizitäts- und Qualitätsanalyse von Citrusprodukten und Vanille mittels multimodalem Benchtop Profiling) entwickelt die Hochschule Mannheim eine multimodale Authentifizierungs- und Qualitätssicherungsplattform auf Basis von Machine Learning und Deep Learning für hochwertige Lebensmittel. Als Modellprodukte dienen dabei Zitrussäfte, Zitrusöle und Vanille. Projektleiter ist Prof. Dr. Philipp Weller.
Herausforderung
Auch in der Lebensmittelproduktion sind Betrug und Fälschung ein Problem: Der Anteil an verfälschten Rohwaren und Lebensmitteln im globalen Handel ist in den letzten Jahren signifikant gestiegen und hat 2018 laut dem Food Fraud Report der EU weltweit zu einem geschätzten Verlust von mehr als 30 Milliarden Euro geführt. Um Verfälschungen oder Qualitätsmängel aufzudecken, muss man in hochkomplexen Gemischen mit relativ großer Variabilität sehr kleine Veränderungen nachweisen, die selten nur auf einer Komponente beruhen. Bei hochwertigen Rohwaren wie Säften oder Gewürzen kann diese Abweichung jedoch über Authentizität und Qualität entscheiden. Die bisher verfügbaren Analysesysteme liefern kein vollständiges Bild des Produktes, da sie in der Regel nur einen kleinen Teil der Zusammensetzung erfassen können. Zudem sind sie aufgrund des hohen Messaufwands selten direkt vor Ort einsetzbar – also beim Produzenten in der kontinuierlichen Qualitätskontrolle oder in kleineren Untersuchungslaboren.
Ziele und Vorgehen
Das Projekt DeepAuthent greift mit der Authentifizierung und Qualitätsanalytik von Lebensmitteln mittels moderner Datenanalyse eine zentrale Zielsetzung der biologischen Chemie auf. Ziel ist die Entwicklung eines Benchtop-Systems – also eines Gerätes, das sich bequem auf einem Tisch oder einer Laborbank nutzen lässt. Zudem soll es dank cloudbasierter Auswertungstechnik weltweit einsetzbar sein und eine prozessbegleitende Qualitätssicherung im Sinne eines Industrie-4.0-Ansatzes ermöglichen. Um einen maximalen Informationsgewinn zu erreichen, werden daher im Forschungsvorhaben komplementäre, multimodale Analysetechniken verbunden und mit modernsten Algorithmen des Machine Learning (ML) und Deep Learning (DL) kombiniert. Geplant sind unter anderem die direkte Fusion von Messdaten aus flüssiger Phase und Gasraum (GC-IMS-MS-Kopplung) sowie die Entwicklung von Algorithmen zur so genannten “Datenaugmentierung“.
Innovationen und Perspektiven
Die in diesem Vorhaben angestrebte Kombination von GC-IMS (Gaschromatograph-Ionenmobitätsspektrometrie) und MS (Massenspektrometrie) mit intelligenter Flussteuerung in einem System ist bislang nicht kommerziell verfügbar. Auch die Signalverarbeitung und das nachgelagerte maschinelle Lernen sowie die Datenfusion von multimodalen Daten als Basis für augmentiertes Lernen sind noch nie zur Authentifizierung und Qualitätsanalyse von Lebensmitteln eingesetzt worden. Die Digitalisierung von Produkteigenschaften und die KI-gestützte Vorhersage und Modellierung von wichtigen Qualitätsparametern wie der Haltbarkeit wird zu einem besseren Verständnis der Produkte führen und dadurch zur effizienteren Nutzung von Ressourcen, was wesentlich zur Steigerung der Produktivität und zu einem nachhaltigen Wirtschaftswachstum beiträgt und die Versorgung mit hochwertigen, authentischen und vor allem sicheren Lebensmitteln sichert.