1. Clusterzwischenbericht, 01.09.2010

Transcription

Erster Zwischenbericht für den Zeitraum 01.09.10 bis 31.12.2010
Zum DFG-AiF-Clustervorhaben
Titel:
Minimal Processing in automatisierten Prozessketten der
Fleischverarbeitung am Beispiel der Feinzerlegung von
Schweinefleisch (Schinken)
Koordinator: Prof. Dr.-Ing. habil. A. Delgado, Friedrich-Alexander-Universität ErlangenNürnberg, Department Chemie- und Bioingenieurwesen, Lehrstuhl für Strömungsmechanik,
Cauerstr. 4, 91058 Erlangen, Tel.: 09131 85 29500, Fax: 09131 85 29503. E-Mail:
[email protected].
Kurztitel: Minimal Processing
DFG-AiF-Clustervorhaben „Minimal Processing in automatisierten Prozessketten der Fleischverarbeitung am Beispiel der Feinzerlegung von Schweinefleisch (Schinken) – Zwischenbericht 2010
2
Inhaltsverzeichnis
1
2
Motivation und Ausgangslage .......................................................................................... 4
Zielsetzung und Vorgehen................................................................................................ 5
2.1
Arbeitshypothese und geplante Vorgehensweise.................................................... 5
2.2
Zielsetzung und interdisziplinäre Vernetzung .......................................................... 7
3 Erzielte Forschungsergebnisse im Jahr 2010 (Kurzberichte der einzelnen Teilprojekte). 8
3.1
TP 1 (AiF): Minimal Processing in der automatisierten Feinzerlegung von
Schweinefleisch ................................................................................................................... 8
3.1.1 AS 1 – Forschungsstelle 1 (LSTM) ...................................................................... 8
3.1.2 AS 3 – Forschungsstelle 2 (DIL) .......................................................................... 9
3.1.3 AS 6 – Forschungsstelle 1 (LSTM) ...................................................................... 9
3.2
TP 2 (DFG): Physikalisches Imaging zur Struktur- und Texturerkennung bei der
Fleischverarbeitung............................................................................................................ 10
3.2.1 Arbeitspaket 1: Konstruktion des Versuchsaufbaus........................................... 10
3.2.2 Arbeitspaket 2: Konstruktion der analytischen Methodik ................................... 11
3.2.3 Arbeitspaket 5: Zusammenarbeit mit den Projektgruppen ................................. 13
3.2.4 Arbeitspaket 7: Berichterstattung und Verwaltung ............................................. 13
3.3
TP 3 (AiF): Reinigungs- und hygieneorientiertes Maschinenkonzept zur
ganzheitlichen Umsetzung von Minimal Processing in der Fleischverarbeitung................ 13
3.3.1 Teilziel/Arbeitspaket 1: Maschinenkonzept ........................................................ 13
3.4
TP 4 (DFG): Differenzierung von Autofluoreszenzsignaturen zur Online-Erfassung
bakterieller Kontaminanten in der automatisierten Fleischzerlegung................................. 15
3.5
TP 5 (DFG): Grundlagenuntersuchungen zur Raman-Sensorik von Lactat für eine
automatisierbare Beurteilung der Fleischqualität in der Prozesskette ............................... 21
3.6
TP 6 (AiF): Entwicklung von Analysenmethoden zur Etablierung einer onlinefähigen Beurteilung von Fleisch ......................................................................................... 24
3.6.1 AP 1.1: Erarbeitung Definition Modellsystem "ideales Fleisch" ......................... 24
3.6.2 AP 1.2: Festlegung von Modellkontaminationen................................................ 25
3.6.3 AP 3.1: Prüfung Adaptierbarkeit der pH-Sonde ................................................. 26
3.6.4 AP 4.1: Analyse aus offline-Messungen zugänglicher Referenzdaten und
Identifikation signifikanter Parameter auf Grundlage von Korrelationen ........................ 27
4 Veröffentlichungen der Arbeiten, Stand Dez. 2010 ........................................................ 28
5 Literatur .......................................................................................................................... 28
3
1
Motivation und Ausgangslage
Prozessketten in der Lebensmittelproduktion befinden sich zunehmend im Spannungsfeld
zwischen Kundenakzeptanz, Produktqualität, Automatisierungsgrad, Betriebsökonomie und
Prozessökologie. Ungeachtet dessen fehlen ganzheitliche Ansätze im Sinne eines durchgängigen, d.h. generalisierten, Minimal Processing bisher völlig.
Im ureigenen Sinne des Begriffes bedeutet das hier vorgeschlagene (generalisierte) Minimal
Processing nicht nur eine schonende Behandlung des Produkts mit dem Ziel der Vermeidung unerwünschter Prozesseinwirkungen sowie hoher Naturbelassenheit und ernährungsphysiologischer Wertigkeit, sondern insbesondere auch eine ganzheitliche Betrachtung aller
relevanten Produkt-, Betriebsmittel-, Energie- und Informationsströme, um den Einsatz von
betrieblichen Ressourcen sowie die Belastung der Umwelt unter strikter Wahrung von Lebensmittelsicherheit und Wirtschaftlichkeit zu minimieren. Die konsequente Umsetzung des
hier verfolgten Minimal Processing erfordert demgemäß eine automatisierte Produktionslogistik, welche ganzheitlich (i) eine physikalische, biochemische und mikrobiologische Produkt- und Prozessbeobachtung realisiert, (ii) auf der Grundlage von hieraus abzuleitenden
Prozessdiagnosen und -prognosen die Ströme an Materie, Energie und biologischer Aktivität einstellt und (iii) den effizienten, produktadaptiven Einsatz von Verarbeitungsprozeduren
und -werkzeugen unter besonderer Berücksichtigung der maximalen Nutzung von wertgebenden Bestandteilen, der Vermeidung von Verunreinigungen durch produkteigene oder
fremde Stoffe sowie des optimalen Hygienestatus ermöglicht.
Bei der hier als Beispiel betrachteten Prozesskette der Feinzerlegung von Schweinefleisch
zur Herstellung von Schinken erfolgt – im Unterschied z.B. zur Grobzerlegung – die Verarbeitung mangels Automatisierungsmöglichkeiten derzeit hauptsächlich noch in manueller
Form. Das betrifft insbesondere das Auslösen von qualitativ hochwertigen Fleischteilen vom
Knochen. Als Maxime gilt aus wirtschaftlicher Sicht die weitgehende Gewinnung aller wertvollen Bestandteile unter möglichst geringen Verlusten bzw. Verunreinigungen, beispielsweise durch Knochensplitter. Darüber hinaus trägt jeder Lebensmittelunternehmer hinsichtlich
rechtlicher Anforderungen die Verantwortung für die Sicherheit und Qualität der Lebensmittel
(Art. 17 Abs.1 EG-Basisverordnung (VO (EG) Nr. 178/2002), VO (EG) Nr. 852/2004) und hat
gemäß Produkthaftungsgesetz die Haftung für fehlerhafte Produkte zu übernehmen.
In der gegenwärtigen Feinzerlegung werden die Fleischstücke durch Mitarbeiter zerteilt, die
zugleich die Qualität beurteilen und anhand dieser Beurteilung die Stücke sortieren und die
weitere Verwendung festlegen. Dabei erfolgt auch eine visuelle Prüfung der Stücke bezüglich unerwünschter Gewebeveränderungen, z.B. durch Abszesse, und anderer Qualitätsfehler. Diese körperlich anstrengende Tätigkeit erweist sich auf der einen Seite als monoton, da
immer die gleichen Schritte ausgeführt werden müssen. Auf der anderen Seite erfordert die
Variabilität der Einzelstücke eine jeweils individuelle Auswahl der optimalen Schnittführung.
Erschwerend kommt hinzu, dass diese Arbeiten aus hygienischen Gründen bei sehr niedrigen Temperaturen, in der Regel unter 12°C, durchgeführt werden. Die im Kernleitsatz der
Automatisierung stehende körperliche Entlastung des Menschen nimmt eine Schlüsselrolle
bei dem hier vorgeschlagenen Vorhaben ein.
Der derzeit geringe Automatisierungsgrad in Praxisbetrieben begründet sich nicht zuletzt in
der physiko-chemischen Komplexität des Fleisches, welche zugleich die Informationsgewinnung durch Beobachtung von Produkt und Prozess deutlich erschwert. So führen mögliche
Fehler bei der manuellen Fleischzerlegung und der Einstufung in unterschiedliche Qualitätsstufen – etwa durch einen unnötigen zusätzlichen Materialfluss – zu einer Verschwendung
von Ressourcen, namentlich von Personal, Betriebs- und Hilfsmitteln, Lager- und Produktionsräumen und von Energie. Zusätzlich zu diesen offensichtlichen Optimierungspotentialen
in der Wertschöpfung und Ertragserhöhung liegen weitere in der Minimierung notwendiger
Reinigungszyklen und nicht zuletzt in der Fleischqualität durch Minimierung des Zeitbedarfs
für die Verarbeitung, welche sich zugleich auf die Produktfrische und somit auf die Kundenakzeptanz auswirkt. Die genannten Fakten zeigen deutlich auf, dass die Entwicklung eines
generalisierten Minimal Processing in den Prozessketten der Fleischverarbeitung die Be4
rücksichtigung aller Schlüsselelemente des Material-, Energie- und Informationsflusses erfordert. Minimal Processing bedeutet des Weiteren, die biologische Aktivität des Fleisches
als Maß für dessen Frische maximal und diejenige der unerwünschten Mikroorganismen minimal zu halten.
Dabei bedarf die Umsetzung zunächst zwingend einer Anlage hinreichend hohen Automatisierungsgrads. Allerdings charakterisieren die oben angeführten Randbedingungen auch die
überaus hohen Herausforderungen für eine solche Lösung. Wie bereits betont, müssen biologische Materialien aufgrund der erheblichen Streuung in der lokalen Verteilung der Komponenten, z.B. Fleischgewebe und Knochen, mit hoher Präzision verarbeitet werden. Weiterhin sollen Qualitätsmängel im Fleisch, wie z.B. Gewebeveränderungen, Blutgerinnsel, u.ä.
sicher erkannt und die Teile entsprechend aus dem Materialfluss ausgesondert werden. Natürlich muss die Funktionalität der Automatisierung auch bei den angewandten tiefen Temperaturen garantiert werden. Die Gesamtkonstruktion hat indessen den Ansprüchen an Maschinen für den Lebensmittelbereich hinsichtlich Hygienic Design und Reinigbarkeit als
grundlegende Bausteine des zur präventiven Gefahrenabwehr und Eigenüberwachung erforderlichen Hazard Analysis and Critical Control Point (HACCP)-Konzepts gerecht zu werden.
2
Zielsetzung und Vorgehen
2.1 Arbeitshypothese und geplante Vorgehensweise
Die Verarbeitung von Fleisch erfordert im Sinne eines Minimal Processing nicht nur die
schonende Behandlung des Fleisches selbst, sondern auch die Schonung der einzusetzenden Ressourcen und damit die Minimierung der beteiligten Stoff- und Energieströme. Die
Tatsache, dass es sich bei dem zu bearbeitenden Produkt um eine biologische Matrix mit
tolerablen natürlichen Schwankungen in der Struktur und Zusammensetzung sowie intolerablen Abweichungen hinsichtlich der Qualität handelt, erfordert die Entwicklung und Anwendung innovativer Messtechniken sowie die Einhaltung strikter hygienischer und qualitätssichernder Standards.
Diese Aspekte führen zu der Arbeitshypothese, dass sich das angestrebte generalisierte Minimal Processing nur mittels eines hohen Automatisierungsgrades und einer hoch entwickelten Informationsauswertung umsetzen lässt.
Die Verfolgung dieser Arbeitshypothese bedarf einer intensiven interdisziplinären Zusammenarbeit in engmaschiger Verflechtung (siehe auch Abschnitt 3.2). Wie Abbildung 1 veranschaulicht, prägen die sich bei der Fleischzerlegung ergebenden Produkt-, Energie- und Informationsströme weitestgehend die Organisation im hier vorgeschlagenen Cluster sowie die
Wechselwirkungen zwischen den einzelnen Teilprojekten (TP) und dokumentieren sogleich
in eindrucksvoller Form den wissenschaftlich-technischen Mehrwert des Clusters gegenüber
isolierter Einzelvorhaben.
5
Abb. 1: Vereinfachte schematische Darstellung des Ablaufs der Zerlegung mit den Aufgaben der einzelnen Teilprojekte. Aus Gründen der Übersichtlichkeit bleiben Rückkopplungen in dieser Skizze völlig
außer Betracht. Weitere Erläuterungen zu dieser Abbildung folgen in den anschließenden Abschnitten.
Die Grundlage des Clusters bildet der Aufbau einer Datenbank, die alle anfallenden Rohdaten bzw. die in den einzelnen TP vorprozessierten Daten vereint, hinsichtlich der für die einzelnen Partner notwendigen Informationen auswertet und den Partnern dann zur Verfügung
stellt (TP1, Gruppe Delgado). Die ausgedehnte Sammlung der anfallenden Betriebsdaten
ermöglicht eine Simulation der Prozesskette sowie eine darauf aufbauende, gesicherte Prozessführung der Feinzerlegung von Schweinefleisch unter besonderer Berücksichtigung von
Produkt- und Prozessvariationen. Die mittels Petri-Netzen erzielten Simulationsergebnisse
werden neben der Diagnose, Prognose und Optimierung des Prozesses letztendlich dazu
herangezogen, eine vorausschauende Kapazitätsplanung zu entwickeln.
Weitere zentrale Arbeiten befassen sich mit der Zerlegung an sich. Dazu werden die algorithmischen und experimentellen Grundlagen zur Etablierung der Schnittführung mittels Roboter erarbeitet (TP1, Gruppe Heinz). Dabei erfolgt der Schnitt in einer ziehenden Bewegung, so dass sich möglichst geringe Kräfte und Verschnitt ergeben. Nach den Tests im Labor wird der Roboter in die Zerlegebox (TP 3) integriert.
Die zuverlässige Positionierung und Fixierung des Fleischstückes bilden essentielle Voraussetzungen für die korrekte Schnittführung. TP2 (Gruppe Becker) entwickelt für diese Aufgabe
ein neuartiges Bildaufnahmesystem, das die räumliche Lage und die Geometrie des Schinkens visuell erfasst. Dieses System nutzt einen Referenzpunkt auf dem entwickelten Roboter
(TP1, Gruppe Heinz), um aus den aufgenommenen Bildern 3D-Informationen zu gewinnen.
Zusätzlich zu den Methoden der Oberflächenanalyse realisiert das TP 2 ein Ultraschallsystem zur Tiefenanalyse, das verborgene stoffliche Imperfektionen (z.B. Knochensplitter, Abszesse) zu erkennen vermag. Für die Messverfahren erfolgt eine Korrelation der Daten mit
offline-Analysen zu deren biochemischen, mikrobiologischen sowie physikalischen (TP6,
Gruppe Schwägele) und rechtlichen (TP 6, Gruppe Diepolder) Bewertung.
Die von TP 4 (Gruppen Bolling/Schlüter/Hitzmann) mit Hilfe von Autofluoreszenzsignaturen
durchzuführenden Untersuchungen betreffen einerseits die bakterielle Oberflächenkontamination des zu bearbeitenden Fleischstückes. Andererseits lassen sich aus den diesbezüglichen Ergebnissen Randbedingungen für eine adaptive Schnittführung ableiten. Die von TP 5
(Gruppe Schmidt) eingesetzte Raman-Spektroskopie ermöglicht es, erstmalig die Milchsäu-
6
rebildung nach der Schlachtung nicht-invasiv zu bestimmen. Dadurch entfällt nicht nur die
bisher invasive pH-Bestimmung, sondern sie erlaubt zugleich die Erkennung von Fleischvarietäten, so z.B. PSE- bzw. DFD-Fleisch.
TP 6 (Gruppe Schwägele) zählt zu dessen Hauptaufgaben, die in den TP 2, 4 und 5 zu entwickelnden innovativen Verfahren mit geeigneten Methoden der offline-Analytik zu validieren.
Auch geht TP 6 der Frage nach, inwieweit sich gegenwärtige offline-Messmethoden für den
online-Einsatz in der automatisierten Fleischzerlegungskette eignen bzw. adaptieren lassen.
Des Weiteren verfolgt TP 6 die innovative Idee, aus standardmäßig aufgenommenen Daten
online nicht oder nur sehr schwer ermittelbare Informationen über Fleischcharakteristika zu
extrahieren. Dies geschieht am Beispiel des Wasserbindungsvermögens, das sich mittels
eines Schätzers (Cognitive Estimator) auf der Basis künstlicher neuronaler Netze (TP 1,
Gruppe Delgado) ermitteln lässt. Im gleichen TP nimmt sich die Gruppe vor, die derzeit gängige offline-Technik für die Messung der Fleischfarbe durch einen online-fähigen Multiparameter-Testsensor zu ersetzen, dessen Signalauswertung sich auf einen weiteren Cognitive
Estimator stützt.
Die Integration der in den Teilprojekten entwickelten Sensorik und der Zerlegeinstrumente
erfolgt innerhalb einer dafür zu entwickelnden Zerlegebox (TP 3, Gruppe Majschak), die eine
gegenseitige Kontamination von Zerlegeprozess und Umgebung verhindert. Ein zusätzlicher
Schwerpunkt in der Realisierung der Zerlegebox liegt in der Erarbeitung und Erprobung einer
geeignet auf Fleisch abgestimmten Reinigungsmethodik. Dies bedeutet auch die Erarbeitung
einer bedarfsangepassten Prozedur, die auf dem aktuellen Hygienestatus von Sensoren und
Werkzeugen basiert und daher Minimal Processing im Reinigungsprozess realisiert. Der
Reinigungserfolg muss während der Entwicklung mittels geeigneter Methoden untersucht
(TP 6, Gruppe Schwägele) und auf die Einhaltung rechtlicher Anforderungen (TP 6, Gruppe
Diepolder) hin überprüft werden. Letzteres geschieht auch im Rahmen des zu entwickelnden
HACCP-Konzepts (TP 6 und 3), das dann in der Datenbank hinterlegt wird (TP 1, Gruppe
Delgado).
2.2
Zielsetzung und interdisziplinäre Vernetzung
Im Rahmen des Projektes sollen durch die Umsetzung einer Feinzerlegung von Schweinefleisch die folgenden Fragen geklärt werden:
• Welche Maßnahmen sind zu ergreifen, um den Prozess der Feinzerlegung im Sinne
eines ganzheitlichen Minimal Processing zu führen?
• Welche Prozessinformationen erweisen sich zur Automatisierung der Feinzerlegung
unter Sicherung einer hohen Produktqualität als notwendig?
• Welche Informationen erfordert die Simulation des Zerlegeprozesses, um eine auf
den jeweiligen Bedarf hin optimierte Kapazitätsplanung des Prozesses zu ermöglichen?
• Welche Messgrößen eignen sich zur zuverlässigen Beurteilung der Fleischqualität
und wie lassen sich diese in ein online-Messverfahren überführen?
• Wie lässt sich der hygienische Zustand der Zerlegebox eindeutig charakterisieren
und welche Reinigungsmaßnahmen sichern einen einwandfreien hygienischen Zustand?
Die erzielten Ergebnisse lassen eine Prozessführung zu, die nicht nur das Produkt schonend
behandelt, sondern auch die eingesetzten Ressourcen, wie Energie, Betriebs- und Reinigungsmittel minimal beansprucht.
7
3
Erzielte Forschungsergebnisse im Jahr 2010 (Kurzberichte der einzelnen
Teilprojekte)
3.1
TP 1 (AiF):
Minimal Processing in der automatisierten Feinzerlegung von
Schweinefleisch
Friedrich-Alexander-Universität Erlangen-Nürnberg, Lehrstuhl für Strömungsmechanik, Cauerstr. 4, 91058 Erlangen, Prof. Dr.-Ing. A. Delgado.
Deutsches Institut für Lebensmitteltechnik e.V., Professor-von-Klitzing-Str. 7, 49610 Quakenbrück, Dr.-Ing. V. Heinz.
3.1.1
AS 1 – Forschungsstelle 1 (LSTM)
•
Durchgeführte Arbeiten
Aufbau der Betriebsdatenerfassung und -auswertung als Grundlage der Automation
des Zerlegungsprozesses
Den Kern der Betriebsdatenerfassung wird ein OPC-Server mit objektorientiertem Datenbanksystem darstellen. Dieses soll neben den Daten auch die entwickelten Auswertealgorithmen aus dem vorliegenden Projekt bzw. aus den TP 4 und 5 enthalten. Die übergeordnete Zielsetzung liegt auf einer optimalen Schnittführung als auch auf einer qualitativen Beurteilung des Fleisches unter Berücksichtigung eines ganzheitlichen Minimal Processing. Dazu
müssen sowohl aktuelle Messdaten als auch Betriebsdaten (historische Daten) berücksichtigt werden. Dazu wurden die Daten bestimmt, die zur Erreichung dieser Zielsetzung zu erfassen sind.
Um die Anbindung der Datenerfassung an die Automatisierung zu strukturieren, wurde ein
Automatisierungskonzept entwickelt. Dieses sieht derzeit die Ebenen Basisautomatisierung,
Ablaufsteuerung und Datenauswertung vor. Für eine situative Regelung des Zerlegevorgangs ist der Datenaustausch zwischen der Automatisierungshardware für den Zerlegevorgang und der Datenerfassung für die Umsetzung vorhandener Prozessführungsstrategien
von hoher Bedeutung.
•
Erzielte Ergebnisse
Für eine durchgängige Verarbeitung wurde ein Automatisierungskonzept erstellt. Dieses
sieht derzeit die Ebenen Basisautomatisierung, Ablaufsteuerung und Datenauswertung vor.
Dabei empfängt die jeweils untergeordnete Ebene Anweisungen der darüber liegenden und
gibt Rückmeldungen aus. So kann der Prozess durch Auswertung der Rückmeldungen auf
aktuelle Gegebenheiten angepasst werden. Die Basisautomatisierung muss dazu weitgehend unabhängig vom Datenerfassungskonzept agieren können. In dem Automatisierungs-
8
konzept sind gegenwärtig die Steuerung der Einschleusung und Fixierung des Fleischstücks
in der Zerlegebox, die direkte Ansteuerung des Roboters für die Bewegung des Messers in
dem Fleischstück, die Abfrage der Krafterfassung am Roboter und Reaktionen darauf hinsichtlich Veränderung der Schnittbahnen sowie der Weitertransport des Fleischstücks innerhalb der Zelle für die Qualitätsbewertung enthalten.
Hinsichtlich des Datenerfassungskonzepts sollen in einer Zweiteilung des Datenpools Daten
zum Zerlegevorgang (Informationen zur Position und Zusammensetzung des Fleischstücks,
die berechnete Schnittführung für den Zerlegevorgang, weitere Informationen über den Zerlegevorgang und Informationen über die Reinigung) und zur Qualität (a-priori-Informationen
über das Fleischstück, Informationen aus der Qualitätsbewertung, Informationen für die Weiterverarbeitung und für die Rückverfolgbarkeit) berücksichtigt werden. Diese können in einer
zentralen Informationsplattform auf Basis eines gemeinsamen Datenmodells gesammelt, geordnet und anschließend zur Weiterverarbeitung genutzt werden. Aus den Daten erfolgt u.a.
unter Berücksichtigung aktueller Prozessdaten die Bestimmung der Vorgaben für die Zerlegebox.
Der Datenaustausch zwischen der Steuerung und der Datenerfassung soll über eine Ethernet-Schnittstelle erfolgen.
3.1.2
AS 3 – Forschungsstelle 2 (DIL)
Entwicklung und Erprobung der adaptiven Schneidtechnik für die automatische Feinzerlegung (ohne Roboter)
•
Die Zerlegeaufgabe wurde zwischen den Forschungspartnern abgestimmt und die Reihenfolge der Arbeiten festgelegt. Es wurden Vorversuche zur Ansteuerung eines vorhandenen
Scara-Roboters durchgeführt.
•
Erzielte Ergebnisse
Das Teilstück, anhand dessen die automatisierte Feinzerlegung realisiert wird, wurde festgelegt. Zudem wurden die einzelnen Schritte des Prozesses und ihre Reihenfolge definiert. Es
sind die Schritte Einspannen, Erfassung Oberflächentopographie, Ultraschallmessung,
Schneiden mit laufender Kontrolle der Schneidkraft, Qualitätsbewertung des ausgelösten
Schinkens und Ausschleusung sowie bedarfsgerechte Reinigung erforderlich.
3.1.3
AS 6 – Forschungsstelle 1 (LSTM)
Allgemeine Arbeiten
AS 6.1: Projektverwaltung, Dokumentation
Forschungsstelle 1
•
o
Planung und Abstimmung von Projekttreffen, Erstellung der Protokolle
Durchgeführte Projekttreffen
Datum
Kick-off-meeting
29.09.2010
Abstimmung mit den Partnern, Einladung, Vorbereitung der
Präsentation, Erstellung des Protokolls
Arbeitstreffen beim DIL (Quakenbrück)
Abstimmung mit den Partnern, Einladung, Vorbereitung der
Präsentation, Erstellung des Protokolls
9
15.12.2010
o
o
o
•
Beratung und Betreuung der Projektpartner bei der Erstellung der jährlichen
Zwischenberichte
Erstellung einer Stellenanzeige für die Forschungsstelle 1, Sichtung und Analyse der Bewerbungsschreiben, Einladung zu Gesprächen
Website: Bestellung der domain: Beginn des Eintrags von Inhalten des Internetauftritts, Arbeit am Logo
Erzielte Ergebnisse
Website:
www.meatprocessing-mp.de, www.meatprocessing-mp.com, www.meatprocessing-mp.info
(noch im Aufbau), in Planung ist noch der Aufbau eines Intranets mit der Möglichkeit des Informations- und Datenaustauschs.
3.2
TP 2 (DFG):
Physikalisches Imaging zur Struktur- und Texturerkennung bei
der Fleischverarbeitung
TU München, Lehrstuhl für Brau- und Getränketechnologie, Weihenstephaner Steig 20,
85354 Freising, Prof. Dr.-Ing. T. Becker.
3.2.1
Arbeitspaket 1: Konstruktion des Versuchsaufbaus
•
Im Verlaufe dieses Arbeitspaketes wurden verschiedene Markt- und Forschungsstudien
durchgeführt, um schließlich das beste Gerät für das Projekt auszuwählen. Die wichtigsten
Geräte sind der Ultraschall-Scanner und das Stereo-Kamera-System. Ziel der Verwendung
des Ultraschall-Scanners in diesem Forschungsprojekt ist es, durch Erkennen jedes einzelnen Pixels gleichmäßig scharfe Bilder von oberflächenfernen Regionen zu liefern.
Auf der anderen Seite führen Ultraschallbilder niedriger Qualität zu schlechter Erkennung der
Fleischzusammensetzung und damit zu ungenauer Datenbeschaffung für andere Projektpartner. Die Auswahlkriterien für den Ultraschallscanner können wie folgt zusammengefasst
werden.
1. Gewährleistung hoher Auflösung, “Speckle-Filterung“ und zuverlässige Bilder, welche
effektiv für die Untersuchungen und Messungen an Gewebestrukturen verwendet
werden können.
2. Einfache Übertragung einer großen Anzahl von diagnostischen Bildern an einen PC.
3. Möglichkeit, eine große Fleischoberfläche mit geeigneter Eindringtiefe zu scannen.
Ziel bei der Verwendung des Stereo-Kamera-Systems ist die Konstruktion eines 3dimensionalen bildgebenden Systems zur Ermittlung der Oberflächenform des Schinkens.
Weiterhin wird das System genutzt, um eine Datenbank über Form-, Hohlraum und Krümmungsvariationen zu generieren. Das Bilderfassungssystem soll kein künstlich projiziertes
Textur-Muster liefern, sondern stattdessen basierend auf Stereo-Triangulation die natürlichen Oberflächendetails des Schinkens widerspiegeln. Die Auswahlkriterien in Bezug auf
den Schinken sind:
1. Auflösung in Pixel
2. Shutter Typ (bestimmt die Bildqualität für stationäre und nicht-stationäre Objekte)
10
3.
4.
5.
6.
7.
Linsen-Spezifikationen und Scan-Bereich
Datentransfer (mit USB oder über Ethernet)
Sensor-Typ (CMOS- oder CCD, welcher für Farbbilder besser geeignet ist)
Montage, Steuerung und Fixierung des Systems
Preis (inclusive “Disparity Analyse und 3D-Software)
Die Zusammenfassung der erforderlichen Mittel für ein Stereo-System, welches die meisten
der erforderlichen Kriterien erfüllt, ist in der folgenden Tabelle zusammengefasst:
Total (Euro)
Camera Interface
GPU-Version
Systems
des
Software (lediglich für nicht-IDS Kameras)
Stereo Software
2 Kameras (2MP)
•
500
2500
Basler Kameras + Linsen (1600x1200,
20fps full, CMOS/CCD!)
2000
5000
IDS USB Kameras + Linsen (1600x1200,
12fps full, CCD)
3000
5500
Stemmer (1600x1200, 66fps full, CCD)
5980
8980
Raucher Fast GigE Kameras + Linsen
(1600x1200, 35 or 50fps full)
4100
7100
Erzielte Ergebnisse
Die meisten Auswahlkriterien erfüllte der (Sonoace X6) Ultraschall-Scanner (siehe Abb. 1),
speziell bezüglich des Speckle-Reduction-Filters und der Eindringtiefe. Das Gerät wurde am
11. November 2010 von der DFG bestellt.
Derzeit läuft der Entscheidungsprozess hinsichtlich der Bestellung des Stereo-KameraSystems, welches in Relation zum Gesamtpreis die genannten Kriterien erfüllt (besonderer
Wert liegt hier auf einer hohen Auflösung und einem hohen Frames/s Wert).
Abb.1: Ultraschall-Scanner Sonoace X6
3.2.2
Arbeitspaket 2: Konstruktion der analytischen Methodik
•
Durchgeführte Arbeiten:
Die Entwicklung der Datenanalyse und -verarbeitungsmethodik erfordert die Outputs von
WP-1 (Range-Images und dreidimensionalen Ultraschall-Daten von tieferen Schichten). Da11
nach ist geplant, folgende Verfahren und Algorithmen anzuwenden:
o
Mehrere Bilder werden für die Etablierung einer Kalibrierung gesammelt, um die detaillierte geometrische Konfiguration der Kameras in Bezug auf ihre internen Parameter
(Brennweite, Bildmitte und Verzeichnung des Objektivs) und externen Parameter (Orientierung und Position) zu ermitteln und schließlich einen geeigneten Kalibrierungs- Algorithmus auszuwählen und anzuwenden.
o
Jedes Bereichsbild wird in ein polygonales Oberflächennetz konvertiert, um ein Teilansicht-Modell des Objektes zu erhalten. Die Netzwerke werden schließlich in globale Koordinaten transformiert. Das Ziel dieses Prozesses ist die Rekonstruktion einer integrierten Darstellung, die mit den Daten der multiplen Ansichten konsistent ist und eine 3DDarstellung der Oberfläche generiert.
o
Filterung der Bilder durch Entfernen der verschiedenen Noisetypen (hervorgerufen durch
den Sensor, die Verstärkung, die Umgebungsbedingungen bei der Aufnahme, die Bildkompression, etc.). Die Filterung wird mittels konventioneller Frequenz- und Intensitätsbandpassfilter und in einer erweiterten Stufe mittels des Speckle-Reduction-Algorithmus
durchgeführt. Das System wird über Mustererkennungsmethoden trainiert, um die generell verrauschten Bereiche der Bilder einfach zu erkennen und in zukünftigen Bildern zu
entfernen.
o
Anwendung und Weiterentwicklung von Disparitäts-Analysen und Disparität-ReduktionsTechniken, indem außergewöhnliche Punkte in beiden Bildern detektiert werden und
schließlich die bestmögliche Übereinstimmung zwischen beiden Datensets ermittelt wird.
Die Disparitäts- Analyse erfolgt über folgende, sukzessive Verarbeitungsschritte: Hervorheben von Ecken und Regionen starker Krümmungen, Detektion lokaler Minima und Maxima basierend auf den Analysen der ersten Stufe, Erkennung von möglichen Übereinstimmungen für jedes detektierte Extremum des Quellbildes mit Extrema im Zielbild, Reduktion unwahrscheinlicher Disparitäten mittels Nachbarschafts-Konsistenz-Analyse und
schließlich Anpassung des Quellbildes an das Zielbild.
o
Der Algorithmus wird auf radialen Basisfunktionen, Hauptkomponentenanalyse, SupportVector-Maschines und Noise-Dissipations-Filtern basieren.
o
Die Entwicklung eines Speckle Reduction Imaging (SRI)-Tools, basierend auf adaptiver
Echtzeit-Bildverarbeitung und kohärenter, anisotroper Diffusion. Das Bild wird Pixelweise
untersucht und es erfolgt eine Klassifizierung in „hauptsächlich Speckle“ und „hauptsächlich Merkmal“. Diese Klassifizierung erfolgt über die Ermittlung der relativen Unterschiede
benachbarter Pixelwerte und in Abhängigkeit davon, ob die Grauskalenvariationen einen
scharfen Unterschied, einen Trend oder eine zufällige Verteilung aufweisen. Zufällige
Schwankungen werden als „hauptsächlich Speckle“ eingeordnet und werden unter Beibehaltung der lokalen Intensität vom SRI-Algorithmus unterdrückt. In den meisten Features Regionen bewahrt der SRI Algorithmus ursprüngliche Trends und verstärkt Kanten.
Dies wird durch die Verwendung eines neuartigen intelligenten Gittermodells zur Kantendetektion realisiert, welches schon zuvor erfolgreich zur Ermittlung von MikroGerüststrukturen aus mehreren Bildebenen eingesetzt wurde.
o
Generalisierung des Support-Vector-Machine (SVM)-Tools, um die Verarbeitung von
dreidimensionalen Bildern zu ermöglichen. Geodätische Entfernungen werden genutzt
und die Methodik über einen Algorithmus definiert. Dieser Ansatz befasst sich mit der
wichtigen Problematik der Veränderungsanalyse (eine Begleiterscheinung bei unterschiedlichen Gegenständen), indem implizit die Begriffe Trennfläche und Trennrichtung
an den Bilder definiert werden.
o
Clustering der erhaltenen Daten in “über der Oberfläche“ und „unter der Oberfläche“ Daten, um die erforderlichen Informationen über die Zusammensetzung des Schinken
(Fleisch, Fett, Knochen, intramuskuläre Fett, etc.) zu extrahieren. Export der Ergebnisse
12
in einer zweckmäßigen Form (Text, Werte, Diagramme, etc.) in Abstimmung mit den anderen Gruppen des Projekts.
•
Erzielte Ergebnisse
Die Literaturrecherche zum den Stand der Technik auf dem Gebiet unterstützte das wissenschaftliche Personal, eigene Programme zu entwickeln, die alle erforderlichen Berechnungen
an den Abstands- und Ultraschallbildern durchführen können.
Unterdessen wurde das technische Personal in der Nutzung des erhaltenen Ultraschallscanners geschult und trainiert. Dadurch wurde eine effiziente Nutzung des Gerätes unter gleichbleibender Qualität möglich und erste Daten konnten mit dem Scanner gewonnen werden
(siehe Abb. 2).
Abb. 2: Die ersten mit dem Ultraschall-Scanner gewonnenen Bilder zeigen grob die verschiedenen
Fleischbestandteile (Muskeln, Fett und Knochen)
3.2.3
Arbeitspaket 5: Zusammenarbeit mit den Projektgruppen
Der Datentransfer von Schinkenmerkmalen und –zusammensetzung zwischen TP2 und den
anderen Gruppen wird durch den Projektkoordinator organisiert. Die enge Zusammenarbeit
der Arbeitsgruppen wird für ein effektives Zusammenspiel der Datenübertragung sorgen. In
einer ersten Stufe wurde mit der Arbeitsgruppe TP6 die Beschaffung und Lagerung der
Fleischproben abgestimmt.
3.2.4
Arbeitspaket 7: Berichterstattung und Verwaltung
Neben den wissenschaftlichen Arbeitspaketen ist auch Verwaltungsarbeit wie die Erstellung
des Fortschrittberichts mit eingeschlossen.
3.3
TP 3 (AiF):
Reinigungs- und hygieneorientiertes Maschinenkonzept zur
ganzheitlichen Umsetzung von Minimal Processing in der Fleischverarbeitung
Fraunhofer-Anwendungszentrum für Verarbeitungsmaschinen und Verpackungstechnik AVV,
Heidelberger Str. 20, 01189 Dresden, Prof. Dr.-Ing. J.-P. Majschak.
3.3.1
Teilziel/Arbeitspaket 1: Maschinenkonzept
•
Im abgeschlossenen Haushaltsjahr 2010 (Berichtszeitraum 01.09.2010 bis 31.12.2010) wurde das Erste der insgesamt sieben Arbeitspakete bearbeitet.
Am 29.09.2010 fand das Kick-off-Meeting des AiF/DFG-Forschungsclusters „Minimal Processing in automatisierten Prozessketten der Fleischverarbeitung am Beispiel der Feinzerle13
gung von Schweinefleisch (Schinken)“ in den FEI-Geschäftsräumen in Bonn statt. Hierbei
präsentierte ein wissenschaftlicher Mitarbeiter die Projektinhalte des Fraunhofer AVV und
stimmte mit den Projektpartnern im Forschungscluster und den Projektteammitgliedern aus
der Industrie das weitere gemeinsame Vorgehen im Projekt ab.
Für das im AP1 zu entwickelnde Maschinenkonzept wurden am Fraunhofer AVV im ersten
Schritt Recherchen zum Verarbeitungsgut durchgeführt. Die Eigenschaften des Verarbeitungsgutes (Schweinefleisch, Schinkenkeule) bilden die Grundlage für eine systematische
Analyse der Verarbeitungsaufgabe. Nach einer Systemabgrenzung wurden Varianten für das
innermaschinelle Verfahren beschrieben und für die zu erwartenden Teilfunktionen (Fixierung, Zerlegung, Transport, Übergabe, Sortierung, Rückverfolgbarkeit des Schweinefleisches) mögliche Prinziplösungen auf abstrahierter Ebene bezüglich Wirkpaarung und physikalisch bzw. technisch zu nutzendem Effekt gesucht. Desweiteren erfolgte eine erste Analyse geeigneter Kontrollstellen für ein HACCP-Konzept.
Am 15.12.2010 fand ein weiteres AiF/DFG-Cluster-Projektteamtreffen in den Geschäftsräumen des DIL in Quakenbrück statt, an dem ein wissenschaftlicher Mitarbeiter des Fraunhofer
AVV teilnahm.
Zwischen den kooperierenden Forschungsstellen fanden Absprachen bezüglich der konstruktiven Schnittstellen sowie der Datenschnittstellen möglicher Aktoren und Sensoren statt.
•
Erzielte Ergebnisse
Ziel des Forschungsprojektes ist die Realisierung eines Funktionsmusters im Rahmen des
Forschungsclusters „Minimal Processing in automatisierten Prozessketten der Fleischverarbeitung am Beispiel der Feinzerlegung von Schweinefleisch (Schinken)“, das eine automatisierte Feinzerlegung von Schweinefleisch ermöglicht und dabei betriebliche Ressourcen in
hohem Umfang einzusparen vermag.
Mit der Bearbeitung des AP1 wurden bisher folgende Teilaspekte der angestrebten Forschungsziele realisiert:
Tabelle 1: Gegenüberstellung angestrebter und erreichter Forschungsziele
lfd.
Nr
angestrebtes
gebnis
Forschungser- bisher erzieltes Forschungsergebnis
1
Hygienegerechte Zerlegebox, Prinziplösungssuche und Erarwelche mit Hilfe der implemen- beitung eines Grobkonzeptes
tierten Prozess- und Produktbeobachtung betriebliche Ressourcen in hohem Umfang
einzusparen vermag
2
Integration eines Roboters zur Abstimmung mit Forschungsstelautomatischen Feinzerlegung le TP2 (DIL)
von Schweinefleisch
3
Hygienegerechte Handlings- Prinziplösungssuche und Erarund
Positioniereinheit
für beitung eines Grobkonzeptes
Schinken zur automatischen
Zerlegung
14
4
Integration der hygienegerecht (keine)
gestalteten Sensoren zur Erkennung der inneren Fleischstruktur und Fleischqualität
und der Sensoren zur OnlineErfassung der bakteriellen
Kontamination
5
Automatische und flexible Rei- Prinziplösungssuche und Erarnigungsvorrichtung gekoppelt beitung eines Grobkonzeptes
an das System zum automatischen Hygienemonitoring
Die Ziele aus AP1 wurden gemäß Arbeitsplan erreicht. Die Erarbeitung des Maschinenkonzeptes wird gemäß Projektantrag bis Juni 2011 andauern.
3.4
TP 4 (DFG):
Differenzierung von Autofluoreszenzsignaturen zur OnlineErfassung bakterieller Kontaminanten in der automatisierten Fleischzerlegung
Leibniz-Institut für Agrartechnik Potsdam-Bornim e. V. (ATB), Max-Eyth-Allee 100, 14469
Potsdam, Dr. J. S. Bolling, Dr. A. Fröhling, Dr. O. Schlüter
Universität Hannover, Institut für Technische Chemie, Callinstr. 3, 30167 Hannover, Prof. Dr.
rer. nat. B. Hitzmann
•
Beschreibung der durchgeführten Arbeiten und Darstellung der erzielten Ergebnisse:
In eigenen Vorarbeiten wurde mit Hilfe der Fluoreszenzspektroskopie ein im Verlauf der Lagerung und Reifung zunehmendes Fluoreszenzsignal im Schweinefleisch detektiert, das verschiedenen Protoporphyrinen zugeordnet werden konnte (Schneider et al., 2008). Zur Klärung des Zusammenhangs zwischen der Entstehung des Fluoreszenzsignals und dem
Wachstum von Mikroorganismen wurde zunächst das Schweinefleisch über einen Lagerungszeitraum von 16 Tagen bei 5 °C mikrobiologisch (Bestimmung der Gesamtkeimzahl auf
ST-I-Agar; 30 °C, 72 h) und fluoreszenzspektroskopisch (LS55, PerkinElmer, RodgauJügesheim, Deutschland) untersucht. Zusätzlich wurden Fleischproben mit verschiedenen
Antibiotika und Bakteriozinen behandelt bzw. thermisch behandelt, um das Wachstum der
Mikroorganismen zu unterdrücken und die Wirkung auf das resultierende Fluoreszenzsignal
zu untersuchen. Um Quenchingeffekte der Antibiotika und Bakteriozine auszuschließen,
wurde zunächst überprüft, ob die Substanzen einen Einfluss auf das Fluoreszenzsignal der
Protoporphyrine in Lösung ausüben. Dabei hat sich gezeigt, dass z. B. Chloramphenicol und
Tetrazyclin zu einem verringerten Fluoreszenzsignal von Zink-Protoporphyrin führen, Kanamycin jedoch keine Veränderung der Fluoreszenzintensität bewirkte (Abb. 1).
15
1000
Fluoreszenz [rel. Einh.]
ZnPP
mit Kanamycin 1 mg/mL
800
mit Chloramphenicol 1 mg/mL
600
Abb. 1: Einfluss von Antibiotika auf das Fluoreszenzsignal von Zinkprotoporphyrin (n=3)
400
200
0
550
600
650
700
750
Wellenlänge [nm]
10
Tag 1
Tag 6
Tag 10
Tag 16
log KBE/g
8
Abb. 2: Entwicklung der Gesamtkeimzahl von
Schweinfleisch während einer Lagerung bei 5
°C nach verschiedenen Dekontaminationsmethoden (n=6).
6
4
Detektionsgrenze
2
0
Referenz
Abflammen
Kanamycin
Novobiocin Nisin & Lysozym
Daher wurde in weiteren Versuchsreihen die Dekontamination des Schweinefleischs mit Kanamycin, Novobiocin sowie Nisin & Lysozym durchgeführt. Im Vergleich zum unbehandelten
Fleisch erfolgte der Anstieg der Gesamtkeimzahl bei allen verwendeten Dekontaminationsmethoden verzögert, nach 16 Tagen Lagerung bei 5 °C wurden bei fast allen Fleischproben
jedoch mehr als 106 KBE/ml detektiert. Nur die Behandlung mit Novobiocin führte zu einer
Gesamtkeimzahl weniger als 106 KBE/ml. Nach einer Behandlung mit Nisin & Lysozym wurde eine höhere Gesamtkeimzahl im Vergleich zur unbehandelten Probe festgestellt (Abb. 2),
vermutlich resultierend aus einer behandlungsbedingten Erhöhung der Nährstoffverfügbarkeit. Eine erhöhte Anzahl an Enterobacteriaceae auf Schweinelenden nach einer Behandlung mit Nisin & Lysozym wurde ebenfalls von Natress & Baker (2003) gezeigt.
600
A
Referenz
500
MW 6. Tag
500
600
MW 1. Tag
MW 10. Tag
400
MW 16. Tag
300
200
100
0
550
B
MW 1. Tag
Abflammen
MW 6. Tag
400
MW 10. Tag
MW 16. Tag
300
200
100
570
590
610
630
650
670
690
710
730
0
550
750
Wellenlänge [nm]
570
590
610
630
650
670
Wellenlänge [nm]
16
690
710
730
750
600
600
C
Kanamycin
500
MW 6. Tag
400
500
MW 1. Tag
MW 10. Tag
300
MW 16. Tag
200
MW 1. Tag
Novobiocin
MW 6. Tag
400
MW 10. Tag
300
MW 16. Tag
200
100
100
0
550
D
570
590
610
630
650
670
690
710
730
0
550
750
Wellenlänge [nm]
570
590
610
630
650
670
690
710
730
750
Wellenlänge [nm]
600
500
E
Abb. 3: Fluoreszenzintensitäten von Protoporphyrinen in Schweinefleisch während einer Lagerung bei
5 °C nach verschiedenen Dekontaminationsverfahren (jeweils n=3).
A) unbehandeltes Schweinefleisch;
B) thermisch behandeltes Schweinefleisch;
C) mit Kanamycin behandeltesSchweinefleisch;
D) mit Novobiocin behandeltes Schweinefleisch;
E) mit Nisin & Lysozym behandeltes Schweinefleisch.
MW 1. Tag
Nisin + Lysozym
MW 6. Tag
400
MW 10. Tag
MW 16. Tag
300
200
100
0
550
570
590
610
630
650
670
690
710
730
750
Wellenlänge [nm]
Die detektierten Fluoreszenzintensitäten der Protoporphyrine in Schweinefleisch während
der Lagerung bei 5 °C nach den verschiedenen Dekontaminationsverfahren deuten auf einen
Zusammenhang zwischen dem mikrobiellen Befall und der Bildung von Protoporphyrinen
hin. Wakamatsu et al. (2004) führten die Bildung von Zink-Protoporphyrinen in Parmaschinken ebenfalls auf Mikroorganismen zurück. Je geringer die detektierte Gesamtkeimzahl desto geringer war die detektierte Fluoreszenzintensität (Abb. 3).
Zur näheren Spezifizierung möglicher Autofluoreszenzen wurden daher mit Hilfe der Wellenlängen aufgelösten Fluoreszenzspektroskopie erste Fluoreszenzspektren von relevanten
Mikroorganismen aufgenommen. Als Testorganismen wurden Pseudomonas fluorescens
(DSM 50090), ein typisches Verderbnisbakterium und E. coli (DSM 1116), ein Indikator für
Fäkalverunreinigungen, ausgewählt. Die Bakterien wurden in Nährbouillon bis zur stationären Wachstumsphase angezogen. Anschließend wurden die Bakterien durch Zentrifugieren
geerntet und in einem Phosphatbuffer resuspendiert, um die Fluoreszenzspektren im LS55
zu erfassen. Es wurden sowohl die Fluoreszenzspektren von Einzelkulturen als auch von
Mischkulturen in verschiedenen Bakterienkonzentrationen (105 KBE/ml und 107 KBE/ml) aufgenommen. Die verwendeten Geräteeinstellungen für die Fluoreszenzmessung sind der
Tab. 1 zusammengefasst.
17
Tabelle 1: Verwendete Geräteeinstellungen zur Fluoreszenzbestimmung mittels LS55
Ende
Start EEx.
Em.
Emission
Filter
mission
Slit
[nm]
[nm]
[nm]
290
280
310
500
2,5
350
340
370
650
5
430
400
430
750
10
430
420
450
750
10
515
488
520
750
10
offen
530
560
899
20
390
366
390
650
10
390
366
390
650
5
Bei einer Anregungswellenlänge von 280 nm emittieren verschiedene, in Mikroorganismen
vorkommende, aromatische Aminosäuren wie z.B. Tryptophan oder auch Tyrosin und Phenylalanin (Bhatta et al., 2005) bei etwa 340 nm. Die Fluoreszenzintensität war für Pseudomonas fluorescens geringer als für E. coli. Ebenso konnte ein Unterschied in der Fluoreszenzintensität bei den verwendeten Bakterienkonzentrationen und den anderen verwendeten
Anregungswellenlängen festgestellt werden. Je höher die Bakterienkonzentration, desto höher war auch die Fluoreszenzintensität der detektierten Peaks. Dies konnte auch für die
Mischkultur beobachtet werden, die Emissionsintensitäten zwischen den jeweiligen Werten
der Einzelsuspensionen zeigte (Abb. 4).
20
A
16
400nm
420nm
14
488nm
12
530nm
10
107 KBE/ml (dicke Linien)
8
105 KBE/ml (dünne Linien)
280nm
18
340nm
20
280nm
Aromatische
Aminosäuren
18
6
4
340nm
B
16
400nm
420nm
14
488nm
12
530nm
10
Aromatische
Aminosäuren
8
6
4
2
2
0
0
300
400
500
600
Wellenlänge [nm]
700
800
900
300
400
500
600
700
800
900
Wellenlänge [nm]
20
280nm
C
18
340nm
16
400nm
14
420nm
Aromatische
Aminosäuren
12
Abb. 4: Fluoreszenzspektren von E. coli und P.
fluorescens in Einzelkultur und Mischkultur bei
unterschiedlichen Anregungswellenlängen (n=3).
488nm
530nm
10
8
A) E. coli
6
B) P. fluorescens
4
C) E. coli & P. fluorescens.
2
0
300
400
500
600
Wellenlänge [nm]
700
800
900
Eine Herausforderung bei der Auswertung der unterschiedlichen Spektren resultiert aus der
Inkompatibilität der Daten, da jedes Spektroskop üblicherweise ein eigenes proprietäres
Format zur Datenablage verwendet, welche für eine sinnvolle Vorverarbeitung und Analyse
mit am Markt erhältlicher Software zeitaufwändig und fehlerträchtig bei jedem Zwischen18
schritt transformiert werden muss. Aus diesem Grund wurde in der Programmiersprache C#
(Sprachversion 4.0 für Microsoft .NET Framework 4.0, unter MS-Windows Version 7 Professional) eine Software entwickelt, welche zunächst einmal die Rohdaten der verwendeten
Spektrometer über Importfilter direkt einlesen und somit eine zentrale Verwaltung und Speicherung der verschiedenen Fluoreszenz-, Reflexions- und Ramanspektren mittels einer Datenbank ermöglicht. Dadurch stehen alle spektralen Daten in einem definierten Format zur
Verfügung, und es können, falls notwendig, unterschiedliche Spektroskopiemethoden für die
Auswertung und Modellierung kombiniert werden.
Darüber hinaus wurde in das Programm direkt die Möglichkeit einer graphischen Darstellung
und einer Vorverarbeitung der spektralen Rohdaten wie z.B. Basislinienkorrektur, Normierung, Glättung, usw. implementiert.
Abb. 5: Screenshots des Auswerteprogramms, links: Datenauswahl und Vorverarbeitung; rechts: Datenbank und Vorschau.
Zusätzlich wurden Algorithmen für explorative Analyse mittels Hauptkomponentenanalyse
und strukturprüfende Analyse mittels multilinearer Regression, PLS und künstlicher neuronaler Netze direkt in die Software integriert. Die Hauptkomponentenanalyse basiert auf dem
NIPALS-Algorithmus, als Lernverfahren zur Berechnung der Wichtungsfaktoren des neuronalen Netzwerks dient die Backpropagation-Methode als Grundlage, die ein Gradientenabstiegsverfahren nutzt. Dabei kann zwischen dem musterweisen und dem epochenweisen
Training gewählt werden. Als Aktivierungsfunktionen wurden sowohl eine lineare Funktion,
eine Schwellwertfunktion als auch eine sigmoidale Funktion eingearbeitet.
19
Abb. 6: Screenshot des Auswerteprogramms. Erstellung eines PLS Modells.
Abb. 7: Screenshot des Auswerteprogrammteils zur Hauptkomponentenanalyse.
Bisherige, vorläufige Untersuchungen von Reflexionsspektren lassen vermuten, dass künstliche neuronale Netze mit nichtlinearen (z.B. sigmoidalen) Transferfunktionen deutlich besser
geeignet sind, Systematiken und Zusammenhänge in den Daten abzubilden, als die bisher
verwendeten PLS Modelle.
20
Tabelle 2: Vergleich verschiedener Modelle. Vorhersage des
Alters einer Probe aus Reflexionsspektren. 8x Lammfleisch,
5°C Lagertemperatur, max 22 Tage
Modell Modell Pa‐
rameter R² RMSEP PCR, 3PC 4 0,69 4,11 Tage PLS, 3PC 4 0,74 3,04 Tage NNetz, 629‐20‐10‐1 12790 0,89 1,62 Tage Im Vergleich zu den Modellen der Hauptkomponentenanalyse nutzt das neuronale Netzwerk
wesentlich mehr Modellparameter. In Tabelle 2 ist zu erkennen, dass das neuronale Netzwerk mit 629 Eingabe-Neuronen, 30 versteckten Neuronen in 2 Schichten und einem Ausgabe-Neuron vergleichsweise die besten Ergebnisse liefert. Jedoch ist der Fehler der Vorhersage (root mean square error of prediction, RMSEP) mit 1,6 Tagen suboptimal. Hier sind
weitere Untersuchungen notwendig.
3.5
TP 5 (DFG):
Grundlagenuntersuchungen zur Raman-Sensorik von Lactat für
eine automatisierbare Beurteilung der Fleischqualität in der Prozesskette
Universität Bayreuth, Forschungsstelle für Nahrungsmittelqualität, E.-C.-Baumann-Str. 20,
95326 Kulmbach, Dr. rer. nat. H. Schmidt.
Universität Hannover, Institut für Technische Chemie, Callinstr. 3, 30167 Hannover, Prof. Dr.
rer. nat. B. Hitzmann.
•
Bearbeitet wurden im Berichtszeitraum die folgenden Arbeitspakete mit den Teilzielen:
AP 3.2.1 Vorversuche zum Teilstück und zur Messprozedur
Festlegung geeigneter Messstellen am Schlachtkörper sowie die Charakterisierung der natürlicherweise auftretenden Störgrößen wie z.B. Fettverteilung und Bindegewebsauflagen.
AP 3.2.2 Aufbau einer Spektrendatenbank für Fleischqualitäten
Erstellung einer Datenbasis von Raman-Spektren an einem Probensatz Fleisch, dessen
Qualität von Fachleuten durch Referenzmessungen bewertet wurde. Am Ende sollen Qualitätskategorien von Fleisch aus dem Raman-Spektrum abschätzbar sein.
AP 3.2.3 Aufnahme von Spektren von Reinsubstanzen
Um die Spektren quantitativ zu verstehen, d.h. aus den Komponenten simulieren zu können
und quantitativ auswerten zu können, wird eine Datenbank von Raman-Spektren aller relevanten Komponenten benötigt.
•
Vorverarbeitung der Spektren
Ziel ist es, das optimale Verfahren zur Spektrenvorverarbeitung zu finden. Hierdurch werden
Variationen des Spektrenuntergrundes herausgerechnet, um eine Vergleichbarkeit der
Spektren herzustellen, die für Bildung von Differenzspektren und zur rechnerischen Simulation erforderlich sind.
Erste Messreihen erfolgten 30 min nach Schlachtung am M. semimembranosus mit Hilfe eines im Hause konstruierten Laboraufbaus mit Raman-Optode und Miniaturspektrograph parallel dazu wurde pH und Lactatreferenzanalytik durchgeführt. Ebenso wurde mit der Erstellung der Datenbank von Reinstoffen begonnen. Dass sich der Start der Arbeiten am Modell21
datensatz „Schinken“ (TP 6) verzögert hat, wurden die Versuche an anderen Messstellen
und zur Fleischqualität zurückgestellt. Spektrenvorverarbeitungsvarianten wurden getestet
und Programmroutinen zur Auswertung der Datenmengen geschrieben.
•
Erzielte Ergebnisse
Der Fokus in diesem Berichtszeitraum lag auf dem Aufbau einer Spektrendatenbank von
Reinsubstanzen, der Ermittlung der Nachweisgrenzen des Labor-Messaufbaus und Zeitmessreihen mit Fleisch direkt nach der Schlachtung. Daraus sollen Modelle entwickelt werden, die zur Etablierung eines Auswertealgorithmus herangezogen werden können.
•
Labor-Aufbau mit Raman-Optode
Für die ersten Messungen wurde ein Labor-Aufbau mit einer im Hause gefertigten Diodenlaser-Raman-Optode und dem Miniaturspektrograph (HORIBA Yobin Yvon®) aufgebaut. Die
Anregungswellenlänge von 671 nm hat den Vorteil, dass sich dort das Absorptionsminimum
von Oxyhäm befindet und der Energieeintrag ins Fleisch während der Messung dadurch minimiert werden kann [4].
•
Spektrendatenbank von Reinstoffen
Lactat kann mittels Raman-Spektroskopie direkt nachgewiesen werden, denn es liefert u.a.
ein starkes Signal bei 853 cm-1. Das Lactatsignal wird in Fleisch jedoch von weiteren
Schwingungen (Tyrosin [5],[6], Metabolite) überlagert, die sich wie Lactat zeitabhängig verändern und im Bereich um 850 cm-1 liegen. Um die postmortale Lactatbildung in Fleisch mittels Raman-Spektroskopie analysieren und quantifizieren zu können, wurden RamanSpektren von Reinstoffen aufgenommen, die für Fleischstruktur relevant sind bzw. die Lactatbildung beeinflussen oder mögliche Störgrößen darstellen [7],[8],[9]. Aus den gemessenen
Spektren wird eine Datenbank aufgebaut. Literaturbekannte Spektren von Reinstoffen in kristalliner Form sind hierbei nicht nützlich [10]. Pedersen et al. haben bereits Raman-Spektren
von Fleisch-Komponenten, namentlich Lactat, Kreatinphosphat, Adenosintriphosphat und
Glycogen beschrieben, jedoch weder quantifiziert, noch weitere Rückschlüsse auf pH- respektive Lactat-Wert und Fleisch-Qualität gezogen [11].
Mit dem oben beschriebenen Raman-Aufbau wurden zunächst Spektren von Stoffwechselprodukten und Intermediaten wie Lactat und Pyruvat in dem Bereich der im Fleisch herrschenden Konzentrationen aufgenommen. Ebenfalls wurde begonnen die Spektren der Aminosäuren zu analysieren, die im Fleisch zu einem hohen Anteil in den Proteinen zu finden
sind (häufigsten Aminosäuren sind Glu, Gly, Asp, Ala, Lys,Leu und Val). An Hand dieser
Spektren werden diejenigen Stoffe identifiziert, die im Bereich der Lacat-Bande mögliche
Störgrößen darstellen. Als Maß für den zu erwartende Beitrag dient dabei die mit der Konzentration gewichtete Raman-Intensität des Stoffes in Lösung. Da die Aminosäuren im Protein gebunden vorliegen, muss letztendlich das Verhalten der Aminosäurenseitenkette im Protein betrachtet werden. Geplant sind hierzu Untersuchungen an Modellpeptiden und extrahierten myofibrillären Proteinen.
Bereits nach Analyse der ersten Daten wird klar, dass die in der Literatur verwendete Bezeichnung „Tyrosin-Doublett“ für die beiden Banden bei 820 und 850 cm-1 eine grobe Vereinfachung der tatsächlichen Situation ist und dass die Simulation der Spektren eine weit
größere Anzahl von Komponenten wird berücksichtigen müssen, u.a. die sauren Amino¬säuren. Die Quantifizierung wird für weitere Stoffe weitergeführt und vervollständigt.
•
pH-Abhängigkeit von Lactat
Der pH-Wert in Fleisch dient als Qualtitätskriterium und verändert sich mit steigender Lactatkonzentration[7],[8],[9]. Um den Einfluss des pH-Wertes auf Fleischspektren zu modellieren
wurde eine Lactatlösung titriert und die Raman-Spektren analysiert. Der pKs-Wert liegt bei
3,9[13], d.h. im pH-Bereich von Fleisch (pH 7 – 5,4) [7],[8],[9] liegt hauptsächlich Lactat vor.
Im Muskelgewebe ist das Verhältnis von Milchsäure zu Lactat 1 : 16.000 bei pH 7[14]. Fällt
der pH-Wert, wird Lactat protoniert und das Verhältnis sinkt.
22
Die Veränderung der Molekülgeometrie durch Protonierung kann in den Raman-Spektren gut
verfolgt werden. So verschwindet der Lactatpeak bei 853 cm-1 und stattdessen wächst ein
Peak der Milchsäure bei 825 cm-1. Die am stärksten betroffenen Schwingungen sind zugeordnet[15],[16]. Die Bereiche um 850 cm-1 und 1720 cm-1 erscheinen für die Auswertung
am geeignetsten: Die Peaks bei 800 cm-1 sind stark, werden allerdings durch den Untergrund beeinträchtigt. Der Milchsäure-Peak bei 1720 cm-1 ist zwar wesentlich schwächer,
aber im Fleischspektrum liegt dort ein weit geringerer Untergrund vor.
•
Lactatkalibrierung
Um zu bestimmen, wie genau die Lactat-Konzentration und deren Änderungen im Fleisch mit
dem 671 nm Messaufbau erfasst werden können, wurden Kalibrierkurven von Lactat in Wasser, Fleischsaft und Fleischhomogenisat (Schwein, Oberschale) erstellt. Die Nachweisgrenze
für den Messaufbau liegt für dest. H2O und Fleischsaft bei 5,0 bzw. 7,1 mM. Im Fleischhomogenisat lassen sich, bedingt durch zusätzliche Signale von anderen Stoffen in diesem Bereich, Konzentrationsänderungen von 23 mM nachweisen, womit der relevante Bereich zwar
noch erfasst werden kann, aber für die Anwendung muss die Empfindlichkeit noch weiter gesteigert werden. Gegenüber den Vorarbeiten an der TU Berlin, die mit einer Anregungswellenlänge von 785 nm durchgeführt wurden, konnten die Nachweisgrenzen durch den veränderten Messaufbau in Lösungen und Fleischsaft bereits halbiert werden.
•
Zeitmessreihen von Fleisch direkt nach der Schlachtung
Es wurden erste Zeitmessreihen an Probestücken aus der Oberschale vom Schwein mit der
Raman-Optode im Labor durchgeführt. Parallel hierzu erfolgten Messungen von pH-Wert
und Lactatgehalt (Referenzanalytik). Die Analysen konnten etwa 30 min nach der Schlachtung beginnen und wurden bis 9 h (Raman) bzw. 24 h (Referenzanalytik) nach Ableben des
Tieres durchgeführt. Da metabolisch bei Lactat nach 9 h keine Änderungen mehr stattfinden,
wurden nach dieser Zeit keine weiteren Raman-Spektren mehr aufgenommen.
•
Raman-Analytik:
Um eine Vergleichbarkeit der Rohspektren herstellen zu können, wurden verschiedene Verfahren der Basislinienkorrektur und Normierung getestet. Vorerst wurde sich hierbei auf die
Lactatbande bei 853 cm-1 konzentriert.
Durch Vorverarbeitung der Spektren kann eine Tendenz in Bezug auf die Lactatintensität erhalten werden. Diese nimmt mit zunehmender Zeit nach Schlachtung zu. Diese korrigierte
Veränderung an sich ist jedoch gering und fehlerbehaftet (R2 ≤ 0,88). Mit dem derzeitigen
Messaufbau sind die Veränderungen bereits detektierbar. Die Robustheit muss aber noch an
einer größeren Probenzahl gezeigt werden.
9h p.m.
0,5h p.m.
Abb. 1: Änderung der Peakintensität bei 853 cm-1 bis 9 h nach Schlachtung
Raman-Spektren (rechts), Änderung der Intensität der Lactatbande bei 855 cm-1 in Abhängigkeit der
Zeit p.m. (links)
23
Chemometrische Methoden wie die Hauptkomponentenanalyse PCA (Principal Component
Analysis) erlauben eine Datenreduktion auf wenige Dimensionen[17]. Hiermit wurde eine
zeitliche Veränderung innerhalb der Spektren gezeigt, die mit der zeitlichen Änderung des
Lactatgehaltes und des Untergrundes zusammenhängt.
•
Referenzanalytik:
Um die Raman-Spektren bewerten zu können wurden routinemäßig die Messungen des pHWerts mit einer Einstichsonde und der Lactatkonzentration nach Aufarbeitung der
Fleischstücken mit Hilfe eines Enzymtests etabliert. Sowohl pH-Wert als auch der Lactatgehalte lagen in den erwarteten Bereichen, was dafür spricht, dass in dem gezeigten Beispiel
RFN-Fleisch vorlag.
3.6
TP 6 (AiF):
Entwicklung von Analysenmethoden zur Etablierung einer onlinefähigen Beurteilung von Fleisch
Bundesforschungsinstitut für Ernährung und Lebensmittel, Max Rubner-Institut, AG Analytik,
E.-C.-Baumann-Straße 20, 95326 Kulmbach, Dr. F. Schwägele.
Universität Bayreuth, Forschungsstelle für Nahrungsmittelqualität, E.-C.-Baumann-Str. 20,
95326 Kulmbach, Dr. rer. nat. H. Schmidt.
Landesamt für Gesundheit und Lebensmittelsicherheit K2, Eggenreuther Weg 43, 91058 Erlangen, Dr. H. Diepolder.
3.6.1 AP 1.1: Erarbeitung Definition Modellsystem "ideales Fleisch"
Das Modell "ideales Fleisch" existiert rein virtuell und beschreibt einen hinsichtlich seiner Eigenschaften für die Feinzerlegung idealen Schinken. Die aufzunehmenden physikalischen
Parameter geben Auskunft über die Größe/Form des Schinkens, die Fettverteilung, den
Knochenanteil oder die Farbe. Für die Analysen wird sich auf das Modell eines "idealen
Schlachtkörpers" bezogen, welches sich am derzeitigen Durchschnitt aus der Industrie orientiert. Momentan liegen bei Schweinen der durchschnittliche Muskelfleischanteil bei 58% und
das durchschnittliche Schlachtgewicht bei 95 kg.
•
Neben der Koordinierung der Arbeitspläne und Schnittstellen im Konsortium und innerhalb
des Teilprojektes 6 wurden Planung und Protokoll der Messungen für den Modelldatensatz
“Schinken“ mit FS 1 und FS 3 abgestimmt.
Es wurden Recherchen zu den momentanen Durchschnittswerten des Schweins durchgeführt. Hierfür wurden u. a. intern vorhandene Daten des Max Rubner-Instituts hinzugezogen.
Diese umfassen eine Gesamtanzahl von 105 000 Schweinen aus Marktentnahmen.
Zur Veranschaulichung einer Feinzerlegung fand ein Treffen mit den Projektbearbeitern der
Teilprojekte 1, 3 und 5 in Kulmbach statt. Die Feinzerlegung wurde manuell nach DLGSchnittführung demonstriert, sodass die Projektbearbeiter eine Vorstellung erhielten wie eine
Zerlegung abläuft und inwieweit die Arbeiten automatisiert werden können.
•
Erzielte Ergebnisse
Anhand der Recherche ergaben sich bei Schweinen ein derzeit durchschnittlicher Muskelfleischanteil mit 57,9% (± 3,2) und ein Schlachtgewicht mit 95,3 kg (± 7,3). Basierend auf
diesen Daten werden die Schweine bei der Datenaufnahme für den Modelldatensatz “Schinken“ in folgende Gruppen unterteilt, um den “idealen Schlachtkörper“ zu finden (Tabelle 1).
24
Tabelle 1: Modelldatensatz “Schinken“
SchlachtGewicht (kg)
85-95
95-105
105-115
Muskelfleischanteil (%)
< 54
55-60
> 60
♀
10
10
10
♂
10
10
10
♀
10
10
10
♂
10
10
10
♀
10
10
10
♂
10
10
10
3.6.2 AP 1.2: Festlegung von Modellkontaminationen
Die Übertragung von Zoonosen (Erkrankungen, die wechselseitig von Tier zu Mensch übertragen werden können) erfolgt durch klinisch gesunde Tiere. Diese scheiden die Erreger aus,
ohne selbst Krankheitsanzeichen aufzuweisen. So kann der Schlachtkörper von klinisch gesunden Schweinen mit unterschiedlichen Krankheitserregern kontaminiert sein. Besondere
Beachtung finden dabei Bakterien der Gattung Salmonella (vor allem Salmonella enteritidis
und Salmonella typhimurium). Sie sind mit 25.249 humanen Erkrankungsfällen im Jahr 2010
neben einer Infektion mit Campylobacter spp. die häufigste Ursache für Magen-DarmErkrankungen in Deutschland. Schweinfleisch und Erzeugnisse aus Schweinfleisch stellen in
Deutschland nachweislich eine der Quellen für menschliche Salmonellen-Erkrankungen dar.
So waren mit Salmonella spp. kontaminiertes Schweinfleisch sowie Erzeugnisse daraus im
Jahr 2008 die dritthäufigste Ursache für Salmonellen-bedingte Erkrankungen in Europa. Wirft
man einen Blick im Rahmen der Zoonosenberichterstattung auf die in Deutschland routinemäßig erhobenen Nachweisraten in Lebensmitteln, so wurden in den vergangenen Jahren in
ca. 3% des Schweinefleisch Salmonella spp., insbesondere Salmonella typhimurium nachgewiesen. Wobei es in den letzten beiden Jahren keine signifikante Änderung bei dieser
Kontaminationsrate gab.
•
Es wurden Recherchen zu Modellkontamination bei einem zu zerlegenden Schweineschinken durchgeführt. Das Schwein ist wichtigster Überträger für Bakterien der Spezies Yersinia
enterocolitica. Die wichtigsten als humanpathogen eingestuften Yersinia enterocolitcaSerovare O:3 und O:9 wurden in frischem Fleisch und Fleischerzeugnissen vom Schwein im
Jahr 2008 in 3% respektive 2% der untersuchten Proben nachgewiesen. Thermophile Campylobacter spp. waren in ungefähr 37% der Schweinebestände nachweisbar. Im Schweinefleisch wurden thermophile Campylobacter spp. jedoch seltener nachgewiesen (Schweinefleisch 0,8%, rohes Fleisch 1,2%, Hackfleisch 0,6% und Fleischzubereitungen 6,3%) als beispielsweise Salmonellen. Listeria monocytogenes war nachweisbar bei „ready-to-eat“Produkten auf Schweinefleischbasis in 4,6% (in verarbeitenden Betrieben) bzw. 3% (im Einzelhandel), wobei nur 0,6% bzw. 0,2% der Produkte den gesetzlich vorgeschriebenen
Grenzwert von 100 KBE/g überschritten. Staphylococcus aureus ist ein weit verbreitetes
Bakterium, das Haut und Schleimhäute von Mensch und Tier besiedelt. Man kann davon
ausgehen, dass ungefähr 15-40% der Menschen Staphylococcus aureus im Nasenrachenraum oder auf der Haut beherbergen, die Toxine bilden können. Die wahre Prävalenz ein
durch Staphylococcus aureus verursachte Lebensmittel-vergiftung, ist schwer abzuschätzen.
In Frankreich wurde von 22%, in Großbritannien sogar von 53% einer Lebensmittelintoxikation auf Staphylococcus aureus zurückgeführt. Die verotoxinbildenden Escherichia coli
(VTEC) sind eine Untergruppe der darmbewohnenden Enterobacteriaceae, die Toxine (Vero-
25
toxine) bilden können. Auch wenn Wiederkäuer das eigentliche Reservoir für VTEC darstellen, können diese Erreger auch im Schweinefleisch nachgewiesen werden. So konnte 2008
VTEC in 3,5% der untersuchten Schweinehackfleisch-Proben und in 3,3% der Proben der
Fleischzubereitung nachgewiesen werden. Clostridium perfringens ist ein ubiquitär vorkommender Keim, der auch den Darm von Menschen, Haus- und Wildtieren besiedelt. In Großbritannien sind ca. 15-30% der Lebensmittelvergiftungen auf Clostridium perfringens zurückzuführen. Die Vergiftung ging dabei hauptsächlich von fertigen Zubereitungen auf Fleischbasis, Suppen und Soßen aus. Bacillus cereus ist ein fakultativ anaerob wachsender Sporenbildner, der ubiquitär vorkommt und über Bodenpartikel Fleisch kontaminieren kann. In den
90er Jahren wurde in den USA ungefähr 27.360 durch Bacillus cereus verursachte Lebensmittelvergiftungen verzeichnet. Besonders der Toxintyp, der Durchfall hervorruft, kommt in
Verbindung mit Fleisch vor.
•
Erzielte Ergebnisse
Der zu zerlegende Schweineschinken kann mit den genannten humanpathogenen bzw. fakulativ humanpathogenen Keimen belastet sein. Berücksichtigt man die Infektionsdosis (Infektions- bzw. Toxi-Infektionserreger) bzw. die Keimzahl, die für eine Toxinbildung im Lebensmittel (Intoxikationserreger) notwendig ist, muss im Sinne des gesundheitlichen Verbraucherschutzes bei den Erregern Salmonella spp., VTEC und den thermophilen Campylobacter
spp. eine Nulltoleranz in den verzehrsfertigen Lebensmitteln gefordert werden.
Bei Bacillus cereus (diarrhoeischer Typ) und Campylobacter perfringens geht man derzeit
dann von einer Gesundheitsschädlichkeit aus, wenn das verzehrsfertige Lebensmittel die
genannten Erreger in einer Keimzahl von mehr als 10.000 KBE/g enthält. Bei Listeria monocytogenes setzt man diese Grenze bei > 100 KBE/g verzehrsfertiges Lebensmittel. Lediglich
bei Yersinia enterocolitica ist es derzeit schwer eine Infektionsdosis und damit die Gesundheitsschädlichkeit eines verzehrsfertigen Lebensmittels zu bestimmen. Für die klassischen
Lebensmittelintoxikationserreger Staphylococcus aureus und Bacillus cereus (emetischer
Typ) wird derzeit angenommen, dass ca. 10.000 KBE der Erreger notwendig sind, um eine
für eine Erkrankung ausreichende Menge an Toxin im Lebensmittel bilden zu können. Allerdings legen aktuelle Forschungsergebnisse nahe, dass diese Keimzahlen zumindest in Bezug auf Bacillus cereus (emetischer Typ) wohl in Abhängigkeit zu dem im Lebensmittel enthaltenen Stamm teilweise zu hoch angesetzt sind und eine Toxinbildung auch schon bei sehr
viel geringeren Keimzahlen möglich ist.
Für eine Überprüfung des Reinigungs- und Desinfektionserfolges in der Zerlegebox oder für
die UV-Keimdetektion auf dem zu zerlegenden Ausgangsmaterial ist es unrealistisch, alle
relevanten pathogenen Keime und Verderbniserreger bestimmen zu wollen. Um das Ausmaß der Gefährdung dennoch abschätzen zu können, kann eine Gruppe von Modellkeimen
festgelegt werden. Diese sollen in Hinsicht auf ihre Resistenz bei der Desinfektion, die jeweils erforderlichen Wachstumsbedingungen, das Keimreservoir und die Übertragungseigenschaften stellvertretend für alle pathogenen Keime und Verderbniserreger stehen, um so
anhand von wenigen Indikatorkeimen die Bedeutung der relevanten Bakterien einordnen zu
können. Hierfür sollten Modellkeime ausgewählt werden, die als apathogen bzw. gering fakultativ pathogen einzustufen sind. Im Moment stehen die Modellkeime Escherichia coli,
Pseudomonas fluorescens, Bacillus stearothermophilus und Staphylococcus epidermidis zur
Diskussion.
3.6.3 AP 3.1: Prüfung Adaptierbarkeit der pH-Sonde
In der Praxis erfolgt die pH-Messung hauptsächlich auf elektrochemischer Basis mittels einer
Messkette. Dabei hat der Messeinstich automatisch zu erfolgen. Dies erfordert zunächst die
Festlegung der Einstichstelle (beim Schweineschinken ca. 5 cm vom caudalen Ende im Winkel von 120° der Beckensymphyse im M. semimembranosus) in Übereinstimmung mit dem
Stand der Technik. Beim automatischen Einstich erweist sich die mechanische Robustheit
der pH-Sonde als entscheidende Größe, die in statistischen Tests nachzuweisen wäre. Es
bedarf mehrerer tausend Einstiche ohne Beeinträchtigung der Funktionalität, um die Pro-
26
zessökonomie nicht zu gefährden.
•
“Schinken“ mit FS 1 und FS 3 abgestimmt.
Des Weiteren wurden Recherchen zu den bereits erhältlichen pH-Messgeräten durchgeführt.
Ebenfalls beinhalteten diese Recherchen inwieweit die pH-Messgeräte in automatisierte
Vorgänge integriert werden können.
•
Erzielte Ergebnisse
Während der Recherche wurde das Angebot des Unternehmens “Ing.-Büro & Klassifizierungsservice Rudolf Matthäus“ zunehmend interessanter, da dessen Gerätelösungen in den
Automatisierungsprozess integriert werden können. Zudem unterhalten sie eine enge Zusammenarbeit mit wissenschaftlichen Instituten im In- und Ausland bezüglich R&D im Lebensmittelbereich.
Die Messungen mit der pH-Sonde und die weitere Aufnahme von Daten (AP 1.1) werden ab
März in den Schlachthöfen erfolgen.
3.6.4
AP 4.1: Analyse aus offline-Messungen zugänglicher Referenzdaten und Identifikation signifikanter Parameter auf Grundlage von Korrelationen
Arbeitspaket 4 zielt auf die Entwicklung eines online-fähigen Multiparametersensors zur automatischen Bestimmung der Fleischfarbe zur Klassifizierung der Fleischqualität ab. Im ersten Schritt sollen auf der Grundlage von Reflektanz- und Fluoreszenzdaten aus offlinezugänglichen Messungen Wellenlängenbereiche identifiziert werden, die Aussagen über die
Fleischqualität erlauben. Hierzu wird in drei Stufen vorgegangen. Zunächst werden die bekannten Verfahren und Spektren auf ihre Tauglichkeit geprüft. Die Hauptaufgabe besteht
darin, die im Rahmen von AP 1.1 und AP 1.2 am Modelldatensatz “Schinken“ erarbeiten
Qualitätskriterien mit den physikalischen Messdaten zu korrelieren und so aussagefähige
Kenngrößen zu identifizieren. Im letzten Schritt sollen die gefundenen Kenngrößen auf drei
bis vier Parameter reduziert und in ein entsprechendes Messgerätekonzept umgesetzt werden, wobei Störungen aufgrund der Inhomogenität von Fleisch zu berücksichtigen sind.
•
“Schinken“ mit FS 1 und FS 3 abgestimmt. FS 2 wird dazu parallel zu den Messungen in AP
1.1 und 1.2 auch Raman-Messungen an dem Modelldatensatz durchführen.
Des Weiteren wurden Reflektanzspektren aus Zeitmessreihen in Abhängigkeit von der Lagerdauer von gekühlt gelagertem Schweinekotelett mit chemometrischen Methoden analysiert. Die Korrelationsgrößen waren das Alter der Proben, die Farbe, Tropfsaftverlust, pHWert und oberflächliche Verkeimung. Die Analyse der Spektren diente zur Identifizierung relevanter Spektralbereiche und zur Reduktion auf wenige Kenngrößen.
•
Erzielte Ergebnisse
Mittels Hauptkomponentenanalyse (PCA) wurde eine zeitliche Auftrennung der Reflektanzspektren in drei Bereiche gefunden, die als “früh“, “Übergangsbereich“ und “verdorben“
bezeichnet werden können. Diese Zuordnung folgt der Oberflächenkeimbelastung: bis zum
sechsten Tag werden unter diesen Bedingungen Keimzahlbelastungen für Schweinefleisch
von etwa 105 bis 106 KbE/cm² gemessen und am zehnten Tag etwa 108 bis 109 KbE/cm². Die
erforderliche spektrale Information konnte dabei auf 4 Kanäle reduziert werden. Der pH-Wert
ließ sich nicht korrelieren, für Aussagen über den Tropfsaftverlust war der Datensatz zu
klein. Nächster Schritt ist die Verarbeitung der Spektren aus dem Modelldatensatz “Schinken“.
27
4 Veröffentlichungen der Arbeiten, Stand Dez. 2010
In Planung:
o
interpack, Mai 2011 (Flyer)
o
FEI Jahrestagung, September 2011
o
VVD Dresden 2012;
o
Kulmbacher Woche, Jährlicher Kongress der Bundesforschungsanstalt für Ernährung
und Lebensmittel
5 Literatur
TP 1
1. Agha, G.A.; De Cindio, F.; Rozenberg, G. (Eds.) (2001) Concurrent Object-Oriented
Programming and Petri Nets Springer-Verlag, Berlin
2. Billington, J.; Diaz, M.; Rozenberg, G. (Eds.) (1999) Application of Petri Nets to
Communication Networks Lecture Notes in Computer Science, 1605, Springer-Verlag
3. Cao, T.-H.; Sanderson, A. C. (1996) Intelligent Task Planning Using Fuzzy Petri Nets
Series in Intelligent Control and Intelligent Automation, 3, World Scientific Publishing
Company
4. Christensen, H.; Søgaard, D. K.; Pilegaard, M.; Olsen, H.B. (2000) The importance of
the work/rest pattern as a risk factor in repetitive monotonous work, International Journal
of Industrial Ergonomics 25 (4) 367-373
5. Desrochers, A. A.; Al'Jaar, R.Y. (1995) Applications of Petri nets in Manufacturing
Systems: Modelling, Control and Performance Analysis, IEEE Press
6. DiCesare, F.; Harhalakis, G.; Proth, J.M.; Silva, M.; Vernadat, F.B. (1993) Practice of
Petri Nets in Manufacturing, Chapman and Hall
7. Eger, H. (2006) Verfahren zur Bestimmung physiologischer Größen eines
Schlachttierkörpers, Ahrensfelde: Eger, Patent DE 10 2004 047773
8. Ehrig, H.; Reisig, W.; Rozenberg, G.; Weber, H. (Eds.) (2003) Petri Net Technology for
Communication-Based Systems Lecture Notes in Computer Science, 2472, SpringerVerlag
9. Fernandes, J.M.; Tjell, S.; Jørgensen, J.B. (2007) Requirements Engineering for
Reactive Sys-tems with Coloured Petri Nets: the Gas Pump Controller Example. In K.
Jensen (ed.): Proceedings of the Eighth Workshop and Tutorial on Practical Use of
Coloured Petri Nets and the CPN Tools, Department of Computer Science, University of
Aarhus, PB-584, 207-222
10. Folkmann, P. (1995) Automatisches Zerlegen von Schlachtkörpern, Fleischwirtschaft 75
(3) 23
11. Folkmann, P.; Magtengaard, E. (1992) Vorrichtung und Verfahren zum Entknochen von
Fleisch-stücken, Roskilde, DK: Slagteriernes Forskningsinst, Patent DE 69104432
12. Frey, G.; Litz, L. (Eds.) (2000) Formal Methods in PLC Programming Proceedings of the
IEEE SMC 2000, Nashville, TN, Contains some applications of Petri Nets
13. Fröhlich, F. (2001) Vorrichtung zum Auslösen des Schulterblattknochens aus einer
Tierschulter, Ahnatal: Fröhlich, Patent DE 20106504 U1
14. Genrich, H.J.; Hanisch, H.-M.; Wöllhaf, K (1994) Verification of Recipe-Based Control
Procedures by Means of Predicate/Transition Nets. In: R. Valette (ed.): Application and
Theory of Petri Nets. Proceedings of the 15th International Petri Net Conference,
Zaragoza (1994), Lecture Notes in Computer Science, 815, 278-297, Springer-Verlag
28
15. Guerze, W.; Biasetti, M.; Panciroli, L. (2002a) Automatic machine for deboning animal
parts using cutting means comprising a fluid jet. Ruberia, IT: MBA S.r.l., Patent EP
1053684
16. Guerze, W.; Biasetti, M.; Panciroli, L. (2002b) Compact automatic machine for
performing the boning cut on legs of ham, Ruberia, IT: MBA S.r.l., Patent EP 882404
17. Hielscher, W.; Urbszat, L.; Reinke, C.; Kluge, W. (1998) On Modelling Train Traffic in a
Model Train System. In K.Jensen (ed.): Proceedings of the Workshop on Practical Use
of Coloured Petri Nets and Design/CPN, Department of Computer Science, University of
Aarhus, PB-532, 83-101
18. Hurd, S.A.; Carnegie, D.A.; Brown, N.R.; Gaynor, P.T. (2005) Development of an
intelligent robotic system for the automation of a meat-processing task, International
Journal of Intelligent Systems Technologies & Applications 1 (1-2) 32-48
19. Jansen, L.; Meyer zu Hörste, M.; Schnieder, E. (1998) Technical Issues in Modelling the
European Train Control System. In K.Jensen (ed.): Proceedings of the Workshop on
Practical Use of Col-oured Petri Nets and Design/CPN, Department of Computer
Science, University of Aarhus, PB-532, 103-115
20. Jensen, K. (1997) Coloured Petri Nets. Basic Concepts, Analysis Methods and Practical
Use. Volume 3, Practical Use. Monographs in Theoretical Computer Science, SpringerVerlag,
21. Jørgensen, J.B. (2004) CPN Models as Enhancement to a Traditional Software
Specification for an Elevator Controller. In: D. Moldt (ed.): Proceedings of the Third
Workshop on Modelling of Ob-jects, Components, and Agents, Department of Computer
22. Krauth, J. (1990) Modellierung und Simulation flexibler Montagesysteme mit PetriNetzen, OR Spektrum, 12, 239-248
23. Lay, N. (1996) Schneidwerkzeug für die Zerlegung von Fleischprodukten, München:
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., Patent DE
19650254
24. Lay, N. (1997) Anwendung neuer Technologien - Automatisierung der Arbeitsvorgänge
bei der Fleischzerlegung, Fleischwirtschaft 77 (5) 447-449
25. Lay, N. (2004) Vorrichtung zur Feinzerlegung von Schweinen, Maulbronn: Schmid &
Wezel GmbH & Co, Patent DE 10252930
26. López-Mellado, E.; Villanueva-Paredes, N.; Almeyda-Canepa, H. (2005) Modelling of
batch production systems using Petri nets with dynamic tokens, Mathematics and
Computers in Simulation, 67(6), 541-558
27. Lorentsen, L.; Kristensen, L.M. (2000) Modelling and Analysis of a Danfoss Flowmeter
System using Coloured Petri Nets. In M. Nielsen and D. Simpson (eds.): Proceedings of
ICATPN, 1825 of Lecture Notes in Computer Science, 346-366, Springer-Verlag
28. Lunze, J. (2006) Ereignisdiskrete Systeme: Modellierung und Analyse dynamischer
Systeme mit Automaten, Markovketten und Petrinetzen, Oldenbourg, 2006
29. McGorry, R.W.; Dowd, P.C.; Dempsey, P.G. (2005) The effect of blade finish and blade
edge angle on forces used in meat cutting, Applied ergonomics 36 (1) 71-77
30. Mebes, P. (2008) Graphen-basierte Modellierungsmethode zur Materialflussverfolgung.
Disserta-tion. ETH Nr. 17621, Zürich
31. Moje, M. (2009) Hygienische Vorteile durch Roboter, Fleischwirtschaft 89 (7) 29-31
32. Moncelet, G.; Christensen, S.; Demmou, H.; Paludetto, M.; Porras, J. (1998) Analysing a
Mecha-tronic System with Coloured Petri Nets, International Journal on Software Tools
for Technology Transfer, 160-167, Springer-Verlag
33. Moody, J.O.; Antsaklis, P. J. (1998) Supervisory Control of Discrete Event Systems
Using Petri Nets, Kluwer Academic Publishers
29
34. Mortensen, K.H. (1999) Automatic Code Generation from Coloured Petri Nets for an
Access Con-trol System. In K.Jensen (ed.): Proceedings of the 2nd Workshop on
Practical Use of Coloured Petri Nets and Design/CPN, Aarhus, Department of Computer
35. Mortensen, K.H. (2000) Automatic Code Generation Method Based on Coloured Petri
Net Models Applied on an Access Control System. In M. Nielsen, D. Simpson (eds.):
Application and Theory of Petri Nets. Proceedings of the 21st International Petri Net
Conference, Aarhus, Denmark, Lecture Notes in Computer Science, 1825, 367-386,
Springer-Verlag
36. Neumann, K. (1996) Produktions- und Operations-Management, Springer-Verlag
37. Panciroli, L.; Biasetti, M. (2001) Automatic machine for gouging, cutting of the hip and
boning of legs of ham, Ruberia, IT: MBA S.r.l., Patent EP 753260
38. Penkuhn, T. (1997) Umweltintegriertes Stoffstrommanagement in der Prozeßindustrie dargestellt am Beispiel der operativen Prozeßplanung in der Ammoniaksynthese, Peter
Lang Verlag, Frank-furt
39. Perkusich, A.; de Araújo, L.M.; de S. Coelho, R.; Gorgônio, K.C.; Lemos, A.J.P. (1999)
Design and Animation of Colored Petri Nets Models for Traffic Signals. In K. Jensen
(ed.): Proceedings of the 2nd Workshop on Practical Use of Coloured Petri Nets and
Design/CPN, Department of Computer Science, University of Aarhus, PB-541, 99-118
40. Prändl, O.; Fischer, A.; Schmidhöfer, T.; Sinell (Hrsg.), H.-J. (1988) Fleisch Technologie und Hygiene der Gewinnung und Verarbeitung, Stuttgart: Eugen Ulmer
41. Proth, J.-M.; Xie, X. (1997) Petri Nets: A Tool for Design and Management of
Manufacturing Systems, John Wiley & Sons, Inc.
42. Purnell, G. (1998) Robotic equipment in the meat industry, Meat Science 49 (Suppl. 1)
S297-S307
43. Rager, M.; Lay, N. (2002) Automatisierung in der Feinzerlegung - Entwicklung einer
Anlage zum automatischen Entbeinen von Kotelettsträngen, Fleischwirtschaft 82 (6) 2122
44. Rasmussen, J.L.; Singh, M. (1996) Designing a Security System by Means of Coloured
Petri Nets. In J. Billington and W. Reisig (eds.): Application and Theory of Petri Nets.
Proceedings of the 17th International Petri Net Conference, Osaka, Lecture Notes in
Computer Science, 1091, 400-419, Springer-Verlag
45. Reisig, W. (1998) Elements of Distributed Algorithms: Modeling and Analysis with Petri
nets Springer-Verlag
46. Reisig, W.; Rozenberg, G. (Eds.) (1998) Lectures on Petri Nets II: Applications
Advances in Petri Nets, Lecture Notes in Computer Science, 1492, Originates from the
Advanced Course on Petri Nets held in Dagstuhl, Germany, October 1996, SpringerVerlag
47. Rodríguez-Fortiz, M.J.; Parets-Llorca, J. (2002) Using Predicate Temporal Logic and
Coloured Petri Nets to specifying intergrity restrictions in the structural evolution of
temporal active systems, International Symposium on Principles of Software Evolution
48. Schulte, D. (1967) Kombinatorische und sequentielle Netzwerke: Grundlagen und
Anwendungen der Automatentheorie, Oldenbourg, München 1967
49. Schultmann, F.; Engels, B.; Rentz, O.(2004) Flowsheeting-based simulation of recycling
concepts in the metal industry, in: Journal of Cleaner Production 12 (2004) 7, S. 737751
50. Schwuchow, S. (1999) Objektbasierter Entwurf von automatisierten Fertigungssystemen
mit hie-rarchischen Petri-Netzen, ISLE Steuerungstechnik und Leistungselektronik
51. Templer, R.G.; Nicholls, H.R.; Nicolle, T (1999) Robotics for meat processing - from
research to commercialisation, Industrial Robot 26 (4) 290-296
30
52. Tscheuschner (Hrsg.), H.-D. (2004) Grundzüge der Lebensmitteltechnik, Hamburg:
Behr's Verlag
53. Umino, T.; Uyama, T.; Takahashi, T.; Goto, O.; Kozu, S. (2008) Automatic deboning
method and apparatus for deboning bone laden meat, Tokyo: Mayekawa MFG Co. Ltd.,
Patent WO 2008/047491
54. van der Aalst, W.M.P.; Desel, J.; Oberweis, A. (Eds.) (1999) Business Process
Management: Models, Techniques, and Empirical Studies Lecture Notes in Computer
Science, 1806, Springer Verlag
55. van der Vorst, J.G.A.J.; Beulens, A.J.M.; van Beek, P. (2000) Modelling and simulating
multi-echelon food systems, European Journal of Operational Research, 122, 354-366
56. VDMA (2009)
http://www.vdma.org/wps/portal/Home/de/Branchen/N/NUV/Wirtschaft_und_Recht
/NuV_A_20090522_Gi_Branche_NuV_2009_d?WCM_GLOBAL_CONTEXT=/wps/wcm/
connect/vdma/Home/de/Branchen/N/NUV/Wirtschaft_und_Recht/NuV_A_20090522_Gi
_Branche_NuV_2009_de, Tag des Aufrufs 14.12.2009
57. Voelund, F. (1990) Verfahren und Vorrichtung zum automatischen Zerlegen von
Schlachtkörpern, Hvidovre, DK: SFK Slagteriernes Faellesindkoebsforening a.m.b.a.,
Patent DE 3927145
58. Wadie, I.; Maddock, N.; Purnell, G.; Khodabandehloo, K.; Crooks, A.; Shacklock, A.;
West, D. (1995) Robots for the meat industry, Industrial Robot 22 (5) 22-24
59. Wadie, I.H.C.; Khodabandehloo, K. (1994) Path generation for robotic cutting of
carcasses, Com-puters and Electronics in Agriculture 12 (1) 65-80
60. Wenninger, M. (2001) Grobzerlegung mit Robotern, Fleischwirtschaft 81 (1) 24-26
61. Yakovlev, A.; Gomes, L.; Lavagno, L. (Eds.) (2000) Hardware Design and Petri Nets.
Kluwer Aca-demic Publishers
62. Zhou, M.; Venkatesh, K. (1999) Modeling, Simulation, and Control of Flexible
Manufacturing Sys-tems: A Petri Net Approach Series in Intelligent Control and
Intelligent Automation, 6, World Sci-entific Publishing Company
TP 3
1. Bhatta H, Goldys E.M & Learmonth RP (2005) Rapid identification of microorganisms
by intrinsic fluorescence. Volume 5699 (Eds D.V. Nicolau, J. Enderlein, R.C. Leif, D.L.
Farkas, & R. Raghavachari), pp. 9-18. Bellingham, Washington, USA: International
Society for Optical Engineering (SPIE).
2. Nattress FM & Baker LP (2003) Effects of treatment with lysozyme and nisin on the
microflora and sensory properties of commercial pork. International Journal of Food
Microbiology, 85(3), 259-267.
3. Schneider J, Wulf JS, Surowsky B, Schmidt H, Schwägele F, Schlüter O (2008)
Fluorimetric detection of protoporphyrins as an indicator for quality monitoring of fresh
intact pork meat. Meat Science 80: 1320-1325.
4. Wakamatsu J, Okui J, Ikeda Y, Nishimura T, & Hattori A (2004) Establishment of a
model experiment system to elucidate the mechanism by which Zn-protoporphyrin IX
is formed in nitrite-free dry-cured ham. Meat Science, 68(2), 313-317.
TP 5
[1]
[2]
[3]
Schmidt, H., Sowoidnich, K. und Kronfeldt, H.-D. (2010): A Prototype hand-held Raman Sensor for the in Situ Charaktierzation of Meat Quality. Appl. Spectrosc. 64 (8),
888-894.
Herrero, A. (2008): Raman spectroscopy for monitoring protein structure in muscle
food systems. Critical Reviews in Food Science and Nutrition 48 (6), 512-523.
Branscheid, W., Honikel, K.-O., von Lengerken, G. und Troeger, K. (2007): Qualität
31
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
von Fleisch und Fleischwaren. Deutscher Fachverlag, Band 1, 216-220.
Berlien, H.-P. und Müller, G. J. (2003): Angewandte Lasermedizin Lehr- und
Handbuch für Praxis und Klinik. Springer Verlag, 75.
Siamwiza, M.N., Lord, R.C., Chen, M.C., Takamatsu, T., Harada, I., Matsuura, H. und
Shimanouchi, T. (1975): Interpretation of the doublet at 850 and 830cm -1 in the Raman spectra of tyrosyl residues in proteins and certain model compounds. Biochemistry 14: 4870- 4876
Van Dad, H., Lafaut, J. P. und Van Cauwelaert, F. (1987): Tyrosine group behaviour
in bovine -lactalbumin as revealed by its Raman effect. Eur Biophys J 14, 409-414.
Henckel, P., Karlsson, A., Jensen, M. T., Oksbjerg, N. und Soholm Petersen, J.
(2002): Metabolic conditions in Porcine longissimus muscle immediately pre-slaughter
and its influence on peri- and post mortem energy metabolism. Meat Science 62, 145155.
Bodwell, C. E., Pearson, A. M. und Spooner, M. E. (1965): Post-Mortem Changes in
Muscle. I. Chemical Changes in Beef. J. of Food Science 30 (5), 766–772.
Šimek, J., Vorlová, L., Malota, L., Steinhauserova, I. und Steinhauser, L. (2003): Postmortal changes of pH value and lactic acid content in the muscle of pigs and bulls.
Czech Journal of Animal Science 48 (7), 295-299.
De Gelder, J., De Gussem, K., Vandenbeele, P. und Moens, L. (2007): Reference database of Raman spectra of biological molecules. J. Raman Spectroscopy 38, 11331147.
Pedersen, D. K., Morel, S., Andersen, H. J. und Engelsen, S. B. (2003): Early prediction of water-holding capacity in meat by multivariate vibrational spectroscopy. Meat
Science 65, 581-592.
Leseigneur-Meynier A. und Gandemer, G. (1991): Lipid composition of pork muscle in
relation to the metabolic type of the fibres. Meat Science 29 (3), 229-241
Thieme Chemistry Hrsg. (2009): RÖMPP Online - Version 3.5. Georg Thieme Verlag
KG, Stuttgart.
Georg Löffler, G., Petrides, E. P. und Heinrich, P. C. (2007): Biochemie und Pathobiochemie, Springer Medizin Verlag, Heidelberg, 16.
Cassanas, G., Morssli, M., Fabrègue, E. und Bardet, L. (1991): Vibrational Spectra of
Lactic Acid and Lactates. J of Raman Spec. 22, 409-413.
Pecul, M, Rizzo, A. und Leszczynski, J. (2002): Vibrational Raman and Raman Optical Activity Spectra of D-Lactic Acid, D-Lactate, and D-Glyceraldehyde: Ab Initio Calculations. J Phys. Chem. 106, 11008-11016.
Cooper, J.B. (1999): Chemometric analysis of Raman spectroscopic data for process
control applications. Chemometric and Intellingent Laboratory Systems 46, 231-247.
32

1. Clusterzwischenbericht, 01.09.2010

Transcription

Similar documents

Infoblatt als PDF

Jahresbericht (pdf 3.30 MB)

SurfaceSPREAD for Cinema 4D Handbuch

Neue Verfahren und Techniken bei der Lebensmittelherstellung und

Vom Bauernhof zum Supermarkt - ima

Leistungsspektrum Naturwerkstein

HOCHSCHULE REUTLINGEN – REUTLINGEN UNIVERSITY

Pferdegesundheit Online Produktkatalog

3D-Scan 2.0 - Virtuelle Realität und Multimedia

q – querschnitt spezial

Applied Biosystems StepOne™ Real

Klinische, histopathologische und genetische Charakterisierung der

Analyse/Interpretation der Figuren

Überprüfung der Desinfektionsleistung hygienerelevanter Geräte

antihyperglykämische therapie des diabetes mellitus typ 2

Angebotsmappe Catering Dresden (617,3 KiB)

Fleischkonsum früher und heute - evb