Non-destructive determination of kiwi quality parameters using hyperspectral imaging

Abstract

Matsvinn er et stort problem i verden, og det er viktig å redusere det for å oppnå en bærekraftig fremtid. Kvalitetsanalyse av kiwier utføres for det meste ved destruktive metoder, noe som bidrar til matsvinn. Destruktive metoder er også tidkrevende ettersom kiwier må ødelegges for å bli målt fysisk. En relativt ny, ikke-destruktiv, effektiv og bærekraftig måte å utføre kvalitetsanalyse av frukt på, er hyperspectral avbilding. Gruppen vår gjorde en gjennomgang av dagens vitenskapelige artikler om vurdering av kiwis modenhet og tenkte at vi kunne bidra med vår forskning. I denne bacheloroppgaven ble et datasett av høy kvalitet samlet ved å fange hyperspectrale bilder og utføre fysiske målinger som fasthet, sukkerinnhold, surhet, salt, størrelse og vekt på kiwi. Dette datasettet ble forhåndsbehandlet og brukt til å utvikle regresjons- og maskin- læringsmodeller for å bestemme sukker og fasthet av "Hayward" kiwifrukter. Den beste modellen for å bestemme sukker og fasthet var UVE-PLS, som presterte moderat (RMSE = 2,804 N; R2 = 0,434) på å forutsi fasthet og bra (RMSE = 0,777Brix; R2 = 0,759) på å forutsi sukkerinnhold.

Food waste is a significant problem globally, and it is important to reduce it to obtain a sustainable future. Quality analysis of kiwis is mainly performed by destructive methods, which contributes to food waste. Destructive methods are also time-consuming as kiwis must be destroyed to be physically measured. A relatively new, non-destructive, efficient, and sustainable way of performing quality analysis of fruits is hyperspectral imaging (HSI). Our group reviewed the current literature on the determination of kiwi ripeness and decided to contribute with state-of-the-art research. In this bachelor's thesis, a high-quality dataset was collected by capturing hyperspectral (HS) images and performing physical measurements such as firmness, sugar content, pH, salt, size, and weight of kiwifruits. This dataset was pre-processed and used to develop regression and machine learning models for determining the sugar and firmness of "Hayward" kiwi fruits. The best model at determining sugar and firmness was UVE-PLS, which performed moderately (RMSE= 2.804 N; R2 = 0.434) at predicting firmness and good to excellent (RMSE= 0.777 Brix; R2 = 0.759) at predicting sugar content.