Die Lebensmittelindustrie steht vor Herausforderungen durch die Verunreinigung von Lebensmitteln mit Fremdkörpern, was zu finanziellen Verlusten und Imageschäden führen kann. Aktuelle Methoden wie Röntgeninspektion sind nicht ausreichend, um Kunststoffe zu erkennen. Eine vielversprechende Alternative ist die FD-FLIM Methode, die eine Unterscheidung von Kunststoffen und Lebensmitteln über deren spezifische Fluoreszenzabklingzeit ermöglicht. Deshalb wurden die Fluoreszenzeigenschaften von Lebensmitteln und Kunststoffen untersucht. Die Ergebnisse zeigen vielversprechende Unterschiede, insbesondere bei der phasenabhängigen Fluoreszenzabklingzeit. Diese Erkenntnisse bilden eine Basis für die Entwicklung automatisierter Klassifikationsverfahren zur Fremdkörpererkennung in Lebensmittelprozessen über die Fluoreszenzabklingzeit. Zukünftige Forschung sollte sich auf die Automatisierung von FD-FLIM, die Erweiterung des Probenumfangs und die Verbesserung der Klassifikationsgenauigkeit konzentrieren, um eine Anwendbarkeit in der Lebensmittelindustrie zu ermöglichen.
The System HAILsens implements a device for Real-Time sensor data processing, running on a Texas Instruments Concerto M3 core. An I2C interface is used for sensor communications. Ethernet with UDP on a custom developed three layered frame organisation of sensor data serves as a link to the main system on board of an aeroplane. For backing up the acquired data, all frames are locally stored on an SD Card. To have the possibility of easily checking the current system status, an LCD module and a push-button provide a minimal user interface.
Für eine Automatisierungslösung wird ein von künstlicher Intelligenz gestütztes System zur Detektion von unterschiedlichen Objekten sowie deren Positionsmessung entwickelt. Die Objekterkennung erfolgt unter Verwendung eines Jetson Nano von Nvidia. Zur Positionsbestimmung auf einem Förderband wird ein Inkrementaldrehgeber ROD 420 eingesetzt. Der Positionswert wird mit einem selbst entwickelten Messsystem auf einem Arty A7 Field Programmable Gate Array (FPGA) errechnet und zur Sensorfusion an den Jetson Nano übertragen.
The analysis of fluorescence lifetimes has the potential to reliably differentiate plastics from foodstuffs. A setup for use in an industrial process is required to work in real time. The combination of Rapid fluorescence lifetime imaging microscopy (Rapid-FLIM) and neural networks shows significant improvements in capture time compared to other FLIM technologies, while achieving a reliable differentiation of foodstuffs and plastics.
