Summary

Ein Computer-Vision-System zur Beurteilung des Schmelzverhaltens von Speiseeis

Published: October 04, 2024
doi:

Summary

Hier stellen wir ein Protokoll vor, das auf einem Computer Vision System (CVS) basiert, um das Schmelzverhalten von mehrphasigen Lebensmittelsystemen zu bestimmen.

Abstract

Das Schmelzverhalten ist einer der wichtigsten Qualitätskennzahlen von Speiseeis. Sie wird in der Regel mit gravimetrischen Methoden ausgewertet und in Form von Startzeit und Schmelzgeschwindigkeit ausgedrückt. Aber auch der Aspekt des Eises während des Schmelzens ist wichtig, denn die Formbeständigkeit ist mit einer guten Struktur des Produkts verbunden. Das hier vorgeschlagene Protokoll veranschaulicht ein Computer-Vision-System (CVS), das zur Unterstützung der bereits bestehenden Gravitationsmethode verwendet werden kann, um zwei neue Schmelzindizes in Bezug auf Formerhaltung und Schmelzrate zu berechnen. Bilder von Eis während des Schmelzens werden alle 15 Minuten für insgesamt 90 Minuten aufgenommen. Anschließend werden digitale Bilder mit einem eigens entwickelten Bildverarbeitungsverfahren erstellt, um die Fläche, Höhe und Breite des Eises zu berechnen. Das Verhältnis zwischen Höhe und Breite zu jedem Schmelzzeitpunkt, bezogen auf das Verhältnis zum Zeitpunkt 0 (Rt/R0), ist ein Index für die Formbeständigkeit von Eiscreme, während die Fläche zu den verschiedenen Schmelzzeiten, bezogen auf die Fläche zum Zeitpunkt 0 (At/A0), auf die Schmelzgeschwindigkeit bezogen ist. Dieses Computer-Vision-System ermöglicht es, hochempfindliche und zuverlässige Ergebnisse zu erzielen, und es kann nicht nur auf Eiscreme, sondern auch auf verschiedene Lebensmittelmatrizen wie Schlagsahne oder Eialbumin angewendet werden.

Introduction

Eiscreme ist ein mehrphasiges System, bei dem flüssige, feste und gasförmige Phasen streng miteinander verbunden sind. Die kontinuierliche flüssige Phase umhüllt Luftblasen und Eiskristalle und enthält teilweise kristallisierte Fette, kolloidale Proteine, Salze, Zucker (eventuell kristallisiert) und Stabilisatoren. Die Zusammensetzung des Eises variiert je nach den lokalen Marktanforderungen und möglichen Vorschriften. Obwohl die Verarbeitungstechnologie die Eigenschaften des endgültigen Eises beeinflusst, spielt jeder Bestandteil eine wichtige Rolle bei der Definition der Produktqualität1. Das Schmelzverhalten ist einer der wichtigsten Qualitätsindizes von Speiseeis, wenn man die Phänomene berücksichtigt, die sowohl beim Verzehr als auch im Mund auftreten. Durch das Eindringen von Hitze in das Eis schmelzen Eiskristalle, und Wasser diffundiert und vermischt sich mit der Serumphase, die durch die verbleibende Struktur abfließen kann2. Ein schnell schmelzendes Produkt ist unerwünscht für ein angenehmes Essen, aber auch für die Gewährleistung einer höheren Hitzeschockbeständigkeit. Langsam schmelzende Produkte weisen jedoch auch auf einige Mängel in der Rezepturhin 1. Es ist bekannt, dass die Mikrostruktur von Speiseeis für die Schmelzeigenschaften verantwortlich ist3, aber es wurden bisher gegensätzliche Ergebnisse veröffentlicht, die zeigen, dass das Wissen über den Einfluss mikrostruktureller Faktoren auf das Schmelzen noch begrenzt ist4. Daher sind weitere Studien erforderlich, um den Schmelzmechanismus aufzuklären, der auch bei der Entwicklung neuer Formulierungen von entscheidender Bedeutung ist3.

Das Schmelzverhalten wird in der Regel mit gravimetrischen Methoden bewertet und in Form von Startzeit und Schmelzgeschwindigkeit ausgedrückt5. Eine bestimmte Portion Eiscreme wird auf ein Drahtgeflecht in einem Schrank mit kontrollierter Temperatur gelegt, und das Gewicht des geschmolzenen Produkts wird registriert. Aus der Gewichts-Zeit-Kurve lassen sich drei Phasen unterscheiden: die Verzögerungsphase, in der die Wärme durchdringt, die schnell schmelzende Phase, in der die verdünnte Serumphase mit der maximalen Geschwindigkeit durch die Eiscremestruktur fließt, und die stationäre Phase, in der der größte Teil des Produkts herausgetropft ist2.

Mit der gravimetrischen Methode können langsam und schnell schmelzende Produkte erkannt werden; Aber auch der Aspekt des Eises während des Schmelzens ist wichtig, denn die Formbeständigkeit ist mit einer guten Zusammensetzung und Struktur des Produkts verbunden6. So kann ein Verfahren, das auf einem Computer-Vision-System (CVS) basiert, die bereits bestehende Gravitationsmethodik unterstützen, indem es die Untersuchung des Aussehens des Produkts während des Schmelzens ermöglicht. CVS können zahlreiche Lebensmittelattribute3 (z. B. Größe, Gewicht, Form, Textur und Farbe) mit genauen Details erfassen, die vom menschlichen Auge nicht wahrgenommen werden können. Solche Systeme bestehen in der Regel aus Digitalkameras und Bildverarbeitungssoftware7. In der Tat umfasst ein auf CVS basierendes Protokoll zwei Hauptschritte: 1) Bildaufnahme und 2) Bildverarbeitung. Es können verschiedene Ebenen der Bildverarbeitung angewendet werden7, von den einfachsten bis zu den komplexeren, wie z. B. Deep-Learning-Methoden für die Entwicklung von Künstlicher Intelligenz 8,9. In letzter Zeit wurde CVS im Lebensmittelsektor große Aufmerksamkeit geschenkt, und es wurde eine große Anzahl von Anwendungen für die Inspektion der Lebensmittelsicherheit, die Überwachung der Lebensmittelverarbeitung, die Erkennung von Fremdkörpern und andere Bereiche entwickelt. Sie sind schnell, effizient und zerstörungsfrei und stellen somit gültige Instrumente dar, um den Verbrauchern sichere Lebensmittel von hoher Qualität anzubieten10.

Im Bereich der Eiscreme wurde eine Bildanalysemethode vorgeschlagen, um die Rekristallisation von Eis mittels optischer Mikroskopiezu untersuchen 11. In jüngerer Zeit wurden Röntgen-Computertomographie-Bilder verarbeitet, um die 3D-Mikrostruktur von weichporösen Substanzen, einschließlich Eiscreme, zu analysieren3. Die Ausarbeitung einfacher digitaler CCD-Bilder (Charge Coupled Device) kann jedoch mehrere Vorteile in Bezug auf die einfache Erfassung und Wiedergabe des Eiscreme-Aspekts, wie er von den Verbrauchern wahrgenommen wird, bieten. Einige Autoren zeigen Bilder von Eiscreme während des Schmelzens12, aber nach unserem besten Wissen wurde die Extraktion numerischer Indizes aus den Bildern zum ersten Mal von Moriano und Alampreseberichtet 13.

Daher veranschaulicht das hier vorgeschlagene Protokoll, das auf der Arbeit von Moriano und Alamprese13 basiert, ein einfaches CVS, das zur Unterstützung der bereits bestehenden Gravitationsmethodik zur Untersuchung des Schmelzverhaltens von Eiscreme angewendet werden kann. Ein Blockdiagramm der vorgeschlagenen Methode ist in Abbildung 1 dargestellt. Die Verwendung eines solchen Systems ermöglicht die Berechnung von zwei Schmelzindizes, die sich auf die Formbeständigkeit und die Schmelzgeschwindigkeit beziehen. Insbesondere beschreibt der Beitrag zum ersten Mal den detaillierten Versuchsaufbau und das Vorgehen für die digitale Bildaufnahme während der Eisschmelze und die Bildverarbeitungsschritte. Außerdem wird berichtet, dass die Ergebnisse von Eiscreme, die mit verschiedenen Süßungsmitteln (z. B. Saccharose, Sacromalt und Erythrit) hergestellt wurde, das Potenzial der Methode zeigen.

Figure 1
Abbildung 1: Blockdiagramm der vorgeschlagenen Methoden. Zusammenfassung der allgemeinen Schritte für das vorgeschlagene Computer-Vision-System und die gravimetrische Methode zur Untersuchung des Schmelzverhaltens von Eiscreme. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Protocol

1. Versuchsaufbau und Verfahren für Schmelzversuche Vorbereitung von EisprobenWählen Sie transparente Becher mit festem Volumen und fester Form und Deckel. Schneide zwei lange Streifen Backpapier von ca. 2 cm Breite ab und befestige sie mit Hilfe von Papierklebeband an den Innenwänden der Förmchen, sodass sie am Boden ein Kreuz bilden. Beginnen Sie, den Becher mit einem Spatel mit der Eisprobe zu füllen.HINWEIS: Bevor Sie beginnen, stellen Sie …

Representative Results

Als Beispiel für die vorgeschlagenen CVS-Outputs werden Ergebnisse von Meltdown-Analysen für drei verschiedene Eiscreme-Formulierungen gezeigt, verglichen mit Daten aus der gravimetrischen Methode. Insbesondere wurde das Schmelzverhalten von Speiseeis untersucht, das mit unterschiedlichen Süßungsmitteln (z.B. Saccharose, Sacromalt und Erythrit) hergestellt wurde. Tabelle 1 und Abbildung 5A zeigen die Ergebniss…

Discussion

Das vorgeschlagene CVS ermöglicht die Berechnung der Form- und Flächenretentionsindizes von Eiscremeproben während des Schmelzens sowie die Visualisierung des Schmelzprozesses. Es kann mit der traditionellen gravimetrischen Methode gekoppelt werden, die zur Beurteilung des Schmelzverhaltens von Eiscreme5 angewendet wird, um Ergebnisse zu erhalten, die sich auf das Aussehen des Eises beziehen. Dies ist sehr wichtig, da die Verbraucher seine Qualität auch auf de…

Disclosures

The authors have nothing to disclose.

Materials

Cabinet Cavallo s.r.l. FTX700 Location for the melting test
Digital camera Sony Group Corp DSC-S650
Digital scale Gibertini Elettronica EU-C 4002 LCD
ImagePro Plus 7.0 Media Cybernetics, Inc N/A Image analysis elaboration software
Microsoft Excel Microsoft N/A Data and graphical elaboration
Scalecom Gibertini Elettronica N/A Digital scale software acquisition
Tripod Manfratto #055

References

  1. Marshall, R. T., Arbuckle, W. S. . Ice Cream. , (1996).
  2. Goff, H. D., Hartel, R. W. . Ice Cream. , (2013).
  3. Metilli, L., et al. Investigating the microstructure of soft, microporous matter with synchrotron X-ray tomography. Materials Characterization. 180, 111408 (2021).
  4. Liu, X., Sala, G., Scholten, E. Structural and functional differences between ice crystal-dominated and fat network-dominated ice cream. Food Hydrocolloids. 138, 108466 (2023).
  5. Alamprese, C., Foschino, R., Rossi, M., Pompei, C., Savani, L. Survival of Lactobacillus johnsonii La1 and influence of its addition in retail-manufactured ice cream produced with different sugar and fat concentrations. International Dairy Journal. 12 (2-3), 201-208 (2002).
  6. Alamprese, C., Foschino, R. Technology and Stability of Probiotic and Prebiotic Ice Cream. Probiotic and Prebiotic Foods: Technology, Stability and Benefits to Human Health. , (2011).
  7. Golnabi, H., Asadpour, A. Design and application of industrial machine vision systems. Robotics and Computer-Integrated Manufacturing. 23 (6), 630-637 (2007).
  8. Patel, C., et al. DBGC: Dimension-based generic convolution block for object recognition. Sensors. 22 (5), 1780 (2022).
  9. Bhatt, D., et al. CNN variants for computer vision: History, architecture, application, challenges and future scope. Electronics. 10 (20), 2470 (2021).
  10. Zhu, L., Spachos, P., Pensini, E., Plataniotis, K. N. Deep learning and machine vision for food processing: A survey. Current Research in Food Science. 4, 233-249 (2021).
  11. Donhowe, D. P., Hartel, R. W. Recrystallization of ice in ice cream during controlled accelerated storage. International Dairy Journal. 6 (11-12), 1191-1208 (1996).
  12. Velásquez-Cock, J., et al. Influence of cellulose nanofibrils on the structural elements of ice cream. Food Hydrocolloids. 87, 204-213 (2019).
  13. Moriano, M. E., Alamprese, C. Honey, trehalose and erythritol as sucrose-alternative sweeteners for artisanal ice cream. A pilot study. LWT-Food Science & Technology. 75, 329-334 (2017).
  14. Loffredi, E., Moriano, M. E., Masseroni, L., Alamprese, C. Effects of different emulsifier substitutes on artisanal ice cream quality. LWT-Food Science & Technology. 137, 110499 (2021).
  15. Loffredi, E., Alamprese, C. Optimisation of a blend of emulsifier substitutes for clean-label artisanal ice cream. LWT-Food Science & Technology. 173, 114338 (2023).
  16. Moriano, M. E., Alamprese, C. Organogels as novel ingredients for low saturated fat ice creams. LWT-Food Science & Technology. 86, 371-376 (2017).

Play Video

Cite This Article
Loffredi, E., Alamprese, C. A Computer Vision System for the Assessment of Ice Cream Melting Behavior. J. Vis. Exp. (212), e66114, doi:10.3791/66114 (2024).

View Video