2021-11-10 Verbesserung der Stabilität von Kräutern durch Algorithmen und Machine Learning (DE)
Verbesserung der Stabilität von Kräutern durch Algorithmen und Machine Learning

Ein Vorhersagemodell für die Stabilität getrockneter Kräuter basierend auf Produktionsparametern und Endproduktanalysen. Aufgrund ihrer geringen Höhe und der Nähe zum Boden sind Kräuter anfällig für Kontaminationen mit Mikroorganismen. Zudem sind sie zahlreichen Umwelteinflüssen ausgesetzt, was zu starken Qualitätsschwankungen und hohen Weiterverarbeitungskosten führt.

Die Österreichische Bergkräutergenossenschaft, eine Kooperative innovativer Landwirte im oberösterreichischen Mühlviertel für den Anbau und Verkauf von Kräutern aus kontrolliert biologischer Landwirtschaft, wagte den Versuch, mithilfe angewandter Statistik und
maschinellen Lernens im Rahmen eines Projektes mit FFoQSI und der Bioinformatics Research Group der FH OÖ in Hagenberg, diese Qualitätsschwankungen besser in den Griff zu bekommen. Als Grundlage dienten die von
den etwa 60 Mitgliedern der Genossenschaft erhobenen und zur Verfügung gestellten Daten. Einerseits waren das über 100 Parameter zu Anbau, Ernte und Trocknung jeder Charge, wie z. B. Bedingungen beim Anpflanzen, Art und Anzahl der Bodenbearbeitungsschritte, Art und Applikationen von Düngemitteln, Bedingungen bei der Ernte und die Trocknungsparameter, anderseits wurde zusätzlich jede Charge auf mikrobielle Belastung z. B. mit Hefen, Schimmelpilzen oder Krankheitserregern wie Salmonellen in einem Labor untersucht. Alle diese Daten wurden für jede Charge jedes Rohstoffes gesammelt. Um das Risiko mikrobieller Verkeimung in zukünftigen Chargen vorhersagen zu können, wurden verschiedene Algorithmen des maschinellen Lernens verwendet, wie z. B. Random Forests, Gradient Boosting Trees, künstliche neuronale Netze oder symbolische Regression. Darüber hinaus konnten mit angewandter Statistik und Hypothesentests die relevantesten Parameter für eine hohe mikrobielle Kontamination identifiziert werden. Somit können den Landwirten konkrete Handlungsempfehlungen zur Reduktion der mikrobiellen Belastung gegeben werden. Kommuniziert werden alle diese Aspekte über eine Web-Anwendung, die sowohl dem Erfassen neuer Daten als auch der Präsentation der Auswertungen für die Landwirte dient. Die Anwendung wurde im Zuge ihrer Entwicklung über mehrere Feedback-Meetings laufend an die Bedürfnisse der Landwirte angepasst.

Wirkungen und Effekte
Das in diesem Projekt entwickelte Informationssystem schafft sowohl für die Genossenschaft als auch die Mitgliedsbetriebe höhere Transparenz durch verbessertes Monitoring der Daten. Durch die Analyse großer Datenbestände aus unterschiedlichen Quellen mit maschinellem Lernen ist es gelungen, Zusammenhangs- und Prognosemodelle zu identifizieren. Dies führt zu einem besseren Verständnis der Prozesse, einer verringerten mikrobiellenBelastung und damit zu einer Steigerung der Produktsicherheit und Lagerfähigkeit der hergestellten Kräuter. Das Prognosesystem soll nun bis Ende 2024 weiter verfeinert und verbessert werden.

Wissenschaftliche Koordination: FH-Prof. PD DI Dr. Stephan Winkler, Head of Research Group, Bioinformatics in Hagenberg, Fachhochschule Oberösterreich
Partner: Österreichische Bergkräutergenossenschaft eGen (ca. 60 Mitgliedsbetriebe), Österreich

Austrian Competence Centre for Feed and Food Quality, Safety and Innovation

FFoQSI GmbH
Technopark 1D, 3430 Tulln, Austria
office@ffoqsi.at
www.ffoqsi.at