LJ5CWG77

2952

28 octobre 2020 12:23

28 octobre 2020 12:23

La qualité d'un produit et la durabilité de sa production dépendent des impacts cumulatifs de chaque étape de transformation de la chaîne alimentaire et de leur interaction. Diverses études de recherche ont montré que de nombreux systèmes de séchage fonctionnent de manière inefficace en termes de temps de séchage, de demande d'énergie (par exemple, les combustibles fossiles), d'utilisation des matières premières et de la qualité des produits qui en résulte. De plus, tous les procédés de séchage conventionnels ne sont pas autorisés dans le secteur biologique (règlement CE 834/2007; règlement CE 889/2008). Ces dernières années, les systèmes de surveillance et de contrôle non invasifs ont montré un grand potentiel d'amélioration de la qualité des produits résultants. Ainsi, il existe un besoin de processus intelligents permettant un contrôle multifactoriel simultané pour garantir des produits finaux de grande valeur, améliorer l'efficacité énergétique et des ressources en utilisant des microcontrôleurs, des capteurs innovants et fiables et en englobant divers domaines de R&D (par exemple, vision par ordinateur, apprentissage en profondeur, etc.) etc.). L'objectif de cette étude était d'évaluer la faisabilité de la vision par ordinateur (CV) en tant qu'outil de développement de technologies de séchage intelligentes pour prévoir de manière non destructive les changements de teneur en humidité des tranches de pomme pendant le séchage. L'utilisation de la vision par ordinateur (CV) en tant que technologie d'analyse de processus dans le séchage de tranches de pomme a été testée. Les échantillons ont été soumis à divers traitements anti-brunissement à des pressions inférieures et atmosphériques et séchés à 60 ° C jusqu'à une teneur en humidité sur une base sèche (MCdb) de 0,18 g / g. Des modèles de prédiction CV des changements de la teneur en humidité sur une base humide (MCwb) ont été développés et des résultats prometteurs ont été obtenus (R2P> 0,99, RMSEP = 0,011 ÷ 0,058 et BIASP <0,06 en valeur absolue), quel que soit le traitement anti-brunissement. La méthodologie proposée jette les bases d'un système de séchage intelligent évolutif basé sur la CV et l'automatisation.

Quality of a product and sustainability of its production depend on the cumulative impacts of each processing step in the food chain and their interplay. Various research studies evidenced that many drying systems operate inefficiently in terms of drying time, energy demand (e.g. fossil fuels), raw material utilisation and resulting product quality. Moreover, not all conventional drying processes are allowed in the organic sector (Reg. EC 834/2007; Reg. EC 889/2008). In recent years, non-invasive monitoring and control systems have shown a great potential for improvement of the quality of the resulting products. Thus, there is a need for smart processes which allow for simultaneous multi factorial control to guarantee high-value end products, enhance energy and resource efficiency by using innovative and reliable microcontrollers, sensors and embracing various R&D areas (e.g. computer vision, deep learning, etc.). The objective of this study was to evaluate the feasibility of computer vision (CV) as a tool in development of smart drying technologies to non-destructively forecast changes in moisture content of apple slices during drying. Usage of computer vision (CV) as Process Analytical Technology in drying of apple slices was tested. Samples were subjected to various anti-browning treatments at sub- and atmospheric pressures, and dried at 60°C up to a moisture content on dry basis (MCdb) of 0.18 g/g. CV-based prediction models of changes in moisture content on wet basis (MCwb) were developed and promising results were obtained (R2P > 0.99, RMSEP = 0.011÷0.058 and BIASP < 0.06 in absolute value), regardless of the anti-browning treatment. The proposed methodology lays the foundations for a scale-up smart-drying system based on CV and automation.

None

• AB - Spécifique
• FREDO transformation et valorisation
• pommes

2019

1 janvier 2019