Schimmel contaminaties detecteren aan de lopende band

Printervriendelijke versieSend by email

 

Schimmels die landbouwproducten contamineren dienen in een zo vroeg mogelijk stadium uit de voedselketen geweerd te worden. Dat geldt zeker voor mycotoxine producende exemplaren. Laat nu net deze laatste te detecteren vallen door hun fluorescerende eigenschappen bij bepaalde golflengten. Recente innovaties in cameratechnologie en beeldverwerking maken het mogelijk om dit principe aan de lopende band te kunnen toepassen.

Mycotoxine producende schimmels zichtbaar maken

Schimmels behoren tot de belangrijkste ziekteverwekkers van landbouwgewassen.  Een driehonderdtal van deze fytopathogene schimmelsoorten kunnen ook problemen veroorzaken voor humane en dierlijke voeding door vorming van toxische componenten (zogenaamde mycotoxinen – zie STW 4/04/2007).  Geluk bij een ongeluk is dat de meeste van deze schimmels fluorescerende stoffen produceren.  In Aspergillus schimmels is bijvoorbeeld het kojic zuur verantwoordelijk voor de fluorescentie via een reactie met peroxidasen van de plant.  Deze fluorescentie kan waargenomen worden onder bestraling met UV (met golflengte tussen 100 en 400 nanometer – Figuur 1). Om deze fluorescentie te meten lenen ook verschillende spectrale banden in het zichtbare licht (het spectrum tussen 380 nm en 780 nm) zich uitstekend, meer bepaald de 420, 440, 450 en 490 nm banden. Voor het detecteren van andere stoffen en/of andere schimmels zijn dan weer andere spectrale banden geschikt.   

 

Figuur 1: Handmatige screening van geoogst graan op mogelijke aanwezigheid van mycotoxine producerende schimmels met een black light.  Detectie is gebaseerd op het feit dat deze schimmels fluorescerende stoffen bevatten die oplichten bij bepaalde golflengten. [Bron: W. Saeys, MeBioS(KULeuven)].  

Algemener toepasbaar en sneller: een kwestie van multispectrale beeldverwerking

Het uitzoeken van de meest discriminerende spectrale banden voor de verschillende schimmels vraagt voortdurende onderzoeksinspanningen.  Komt daar nog bij dat ook de voedingsmatrix mee bepaalt of bepaalde spectrale banden al dan niet bruikbaar zijn, een kwestie van trial and error.  Om deze onderzoeksuitdaging aan te gaan wordt zowel spectroscopie als beeldverwerking ingeschakeld.  Dit alles geraakt echter in een stroomversnelling door het beschikbaar komen van multispectrale camera’s (Figuur 2), die beeldverwerking weten te combineren met spectroscopie. Deze camera’s meten de reflectie van objecten voor verschillende golflengtebanden. 

Het inzetten van multispectrale camera’s lijkt dan ook nieuwe mogelijkheden te bieden om groenten, fruit, noten, granen, etc. in de proces stroom te screenen op aan- of afwezigheid van contaminatie door mycotoxine producerende schimmels.  Echter, het collecteren van multispectrale beelden op bewegende producten en de verwerking van de grote hoeveelheid data vormt een bottleneck voor  het real time toepassen van multispectrale beeldverwerking in bijvoorbeeld sorteertoepassingen.  Recent werkten Kalkan et al. (2011) echter een algoritme uit om de meest discriminerende multispectrale data op een snelle manier te kunnen  identificeren en op die manier te bepalen welke data van welke spectrale banden weerhouden dienen te worden voor een optimale, snelle detectie.  Testen op hazelnoten en chili pepers wezen uit dat hun algoritme respectievelijk 92% en 80% juist klasseerde als al of niet aflatoxine gecontamineerd.   

 

Figuur 2: Schematische voorstelling van het door Kalkan et al. (2011) gebruikte multispectrale imaging systeem  [Bron: Computer and Electronics in Agriculture 77].  

Mag het ietsje meer,  sneller, compacter en toch betaalbaarder zijn?  

Een verdere toename in resolutie, en dus discriminerend vermogen kan bekomen worden met een volgende technologische evolutie die zich aandient: hyperspectrale camera’s.  Waar multispectrale camera’s gebruik maken van een tiental (nog altijd brede) golflengtebanden, splitsen hyperspectrale camera’s het spectrum op in een honderdtal smalle kanalen (zie STW 1/07/2010). Zij meten dus de reflectie van objecten in nog groter detail.  Klassiek worden optische elementen zoals lenzen, prisma’s en gratings gebruikt om het invallend licht op te splitsen in zijn verschillende golflengten. Een digitale beeldsensor meet dan vervolgens de energie voor elke golflengte.  

Dit alles kan sneller, compacter en betaalbaarder.  Getuige daarvan het prototype dat imec(Interuniversitair micro-elektronica centrum) onlangs voorstelde op de vakbeurs SPIE Photonics West 2012 in San Francisco.  Imec’s ontwikkeling bestaat uit een chip waarop een commerciële CMOS beeldsensor is gecombineerd met een hyperspectrale filterbank.  Deze laatste vervangt de optische elementen van een klassieke hyperspectrale camera. De hyperspectrale filterbank werd op wafer niveau geproduceerd. Door de sterke integratie van de hyperspectrale sensor met de beeldsensor kan imec’s oplossing snelheden bereiken die nodig zijn voor industriële toepassingen. De demonstrator haalt een snelheid van 2.000 lijnen per seconde, wat veel meer is dan de snelheid van de beste hyperspectrale camera’s die vandaag in gebruik zijn. Bovendien is imec’s oplossing flexibel; ze kan worden aangepast aan een hele reeks van toepassingen. Zo kan de filterbank worden aangepast door het aantal banden en de spectrale resolutie te veranderen. Momenteel situeert het breik zich in de range van 560-1000 nm.  

 

Figuur 3: Imec’s prototype van een camera met geïntegreerde hyperspectrale sensor

Sensors for Food project evalueert deze nieuwste  technologie ook voor uw bedrijf!

Ziet u mogelijkheden voor dergelijke kwaliteits- en voedselveiligheidsanalyses op uw product? Dan is het interessant om weten dat Flanders’ FOOD recent van start is gegaan met het door het IWT goedgekeurde project ‘Sensors For Food’ (IWT financieringskanaal ‘VIS-trajecten’). Hyperspectrale camera’s zijn één van de innovatieve sensortypes die hierbinnen geëvalueerd, geoptimaliseerd en gevalideerd worden. Imec en MeBioS stellen hun geavanceerde prototypes ter beschikking voor applicaties in het VNIR (400-1000 nm) en het NIR (1000-2500 nm).  Daarmee kan, indien gewenst, tot bij bedrijven zelf gegaan kan worden om oplossingen en opportuniteiten te bieden voor problemen en uitdagingen in de voedingsproductie die met steekproefsgewijze en manuele controles of met huidige sensortypes minder efficiënt aangepakt kunnen worden.

Meer weten

Bent u geïnteresseerd in een test op uw grondstoffen of producten?  Dat kan via deelname aan het project.  Wil u meer weten over dit project of het potentieel van deze toptechnologie? Aarzel dan niet om Flanders’ FOOD te contacteren via steven.vancampenhout@flandersfood.com ofveerle.degraef@flandersfood.com.  Of kijk op: www.flandersfood.com/projecten/sensors-food 

Nuttige links

 

Bronnen

  • Kalkan, H., Beriat, P., Yardimci Y., Pearson, T.C. (2011) Detection of contaminated hazelnuts and ground red chili pepper flakes by multispectral imaging. Computers and Electronics in Agriculture, 77, 28–34. 
  •  Imec news (24/01/2012): Een camera die alles ziet