Forskning
Digitaliseringens muligheter for norsk matproduksjon
Mange har forbedret sine digitale ferdigheter under koronakrisen. I Nofima har digitalisering i matproduksjon vært et sentralt forskningsområde i mange år.
Målet er å bidra til en grønnere klode, en sunnere befolkning og bedre matopplevelser for deg og meg.
Vi har entret den fjerde industrielle revolusjon, der digitale data er det bærende elementet. Alle maskiner og instrumenter kommuniserer med hverandre og samarbeider via digitale nettverk.
Norsk matindustri er teknologisk avansert
For matindustrien skaper dette helt nye muligheter. Smarte sensorer og roboter i kombinasjon med maskinlæring og effektive analyser av stordata, gjør det mulig å skreddersy akkurat den kvaliteten du og kundene ønsker på dine matprodukter, på en bærekraftig måte.
Best mulig råvareutnyttelse
Råvarekostnadene utgjør 70–75 prosent av kostnadene i matindustrien, så nøkkelen til lønnsomhet og reduksjon av matsvinn er å behandle og utnytte råvarene på en best mulig måte.
Norske teknologibedrifter og forskningsmiljøer jobber målrettet med sensorteknologi, prosessanalyser og nye digitale løsninger for å bidra til denne type teknikker.
Fra stikkprøver til kontinuerlig måling
Matkvalitet måles som regel ved stikkprøver, både for råvarer, underveis i prosessen, og for det ferdige produktet. En ulempe med stikkprøver er at man aldri kan vite om den ene prøven representerer hele partiet på en god måte. En annen ulempe er at det tar tid fra prøven tas til resultatet foreligger, og da kan det allerede være for sent å gjøre nødvendige justeringer i prosessen. Sensorer som måler direkte på prosesslinja unngår begge disse ulempene.
Nofima og Tine har for eksempel prøvd ut en sensor som kan måle fett og vann i ost på prosesslinja. I dag bestemmes fett- og vanninnhold ved å ta stikkprøver av utvalgte batcher som deretter måles på laboratoriet.
Ostemåling ga ny kunnskap
Ved å måle hver eneste ost får vi ikke bare vite hva som er gjennomsnittlig fett- og vanninnhold i en batch, men vi får også vite hvor mye det varierer fra ost til ost. Dette kan gi verdifull informasjon om variasjonen og dynamikken i prosessen.
I Tine ble det oppdaget at det var en gradvis øking i vanninnhold gjennom et av prosesstrinnene, noe som ikke var kjent fra før. Ved å forstå prosessen sin bedre kan man jobbe med målrettede prosessforbedringer for å redusere variasjonen, eller bruke kunnskapen ved utarbeidelse av spesifikasjoner og prøvetakingsrutiner.
Interessen for gode digitale løsninger er stor
Smarte sensorer måler kjemien
En av de store utfordringene i matindustrien er at kvaliteten på råvarene kan variere mye, også når det gjelder kjemisk sammensetning.
I poteter for eksempel, varierer vanninnhold og sukkermengde med sort, dyrkings- og lagringsforhold. I Nofima har vi i samarbeid med Findus, Sintef Digital og Tomra utviklet sensorer som kan måle vanninnholdet direkte i hele poteter på prosesslinja, og sortere poteter ut ifra om de egner seg til for eksempel lomper eller pommes frites.
I neste omgang kan vi sammenstille dataene fra mange slike målinger med informasjon om potetsort, jordsmonn og klima, og ved hjelp av maskinlæring bruke til beslutningstøtte og rådgiving til potetbøndene.
Et annet eksempel er laks. Her er det store variasjoner i fettinnholdet. Ny sensorteknologi gjør det mulig å måle fettprosenten gjennom skinnet på hel laks på transportbåndet, og dermed kan den enkelte laksen sorteres til det den egner seg best til. Den magre passer bra til røking og den fete kan passe til sushi. Sendes laksen til feil bruk eller forbruker, er det stor sjanse for at kvaliteten oppleves som dårlig og at vi får unødvendig svinn og økonomiske tap. Denne teknologien har Nofima utviklet sammen med Cermaq, Sintef Digital og Tomra.
Løsninger som hjelper alle
Norsk matindustri er teknologisk avansert, og interessen for gode digitale løsninger er stor. I Nofima er vi opptatt av å utvikle løsninger som vil være nyttige både for bøndene, matindustrien, dagligvarehandelen og forbrukerne.
Det handler om å bruke smarte målemetoder og maskinlæring til å modellere sammenhenger mellom bondens praksis, egenskaper ved råvarene, produksjonen og produktkvaliteten. Når disse sammenhengene er kjent, kan de brukes både på enhetsnivå, for å sikre at hver enkelt potet brukes til det den er best egnet til, og på populasjonsnivå, for å hjelpe bøndene til å dyrke akkurat de potetene som vi vil ha.
På denne måten kan vi skape den beste kvaliteten og smaksopplevelsen for forbrukerne, samtidig som vi tar hensyn til miljø og lønnsomhet for norsk landbruk og matindustri.
Denne artikkelen er også publisert i Matindustrien #4/2020. Her kan du bestille et gratis prøveabonnement som stanser automatisk.