Die Knusprigkeit von Snacks ist ein bedeutender Qualitätsmerkmal, das von der Lebensmittelindustrie optimiert und kontrolliert wird. Instrumentelle Messmethoden sollen dabei helfen, menschliche, sensorische Analysen zu verstehen, um die Produktentwicklung zu unterstützen. Außerdem sollen Qualitätskontrollen in die Produktion automatisiert werden, um Zeit und Kosten zu sparen. Knusprigkeit ist ein komplexes sensorisches Attribut, das aus einer multisensorischen Kombination an Stimuli im Hirn resultiert, was die instrumentelle Messung zu einer Herausforderung macht. Besonders wichtig sind mechanische und akustische Eindrücke während des Kauens von Lebensmitteln.
Die Texturanalyse von Lebensmitteln misst Kräfte und Geräusche während Zerstörungstests. Das Problem bleibt noch, bedeutende Charakteristiken aus den Rohsignalen zu extrahieren und diese für statistische Korrelationen mit menschliche, sensorische Bewertungen und für die Klassifizierung von Proben in Qualitätsgruppen effektiv auszunutzen. Einzelne Merkmale reichen oft nicht aus. Zudem gibt es in der Zeit der Industrie 4.0 hochmoderne Hard- und Software, die das Messen, Speichern und Analysieren von vielen Daten ermöglicht. In der vorliegenden Arbeit konnte ein Algorithmus zur automatischen Klassifizierung von Erdnussflips unterschiedlicher Feuchtigkeitsstufen in 6 Frische-/Knusprigkeitsgruppen entwickelt werden. Die Knuspergeräusche wurden erst durch ein trainiertes Sensorikpanel und ein Verbraucherpanel bewertet. Bis zu 68 temporale und spektrale Merkmale wurden aus ca. 100 mechanischen und akustischen Signalen pro Feuchtigkeitsstufe mithilfe der Signal Processing Toolbox™ charakterisiert. Dann wurden die Merkmale einzeln interpretiert, statistisch aussortiert und anschließend in unterschiedliche Kombinationen zum Training und zur Klassifizierung mit der Statistics and Machine Learning Toolbox™ getestet. Quadratische „support vector machines“ (SVM) Klassifizierungsalgorithmen wurden mit der Classification Learner app als beste Methode auserwählt. Neuronale Netzwerke wurden auch erfolgreich mit der Neural Net Pattern Recognition app implementiert. Sehr hohe Klassifizierungsgenauigkeiten wurden für jede Feuchtigkeitsstufe erreicht. Auch mit bisherigen, etablierten Methoden noch nicht differenzierbaren Proben, die aber von Menschen signifikant unterschieden wurden konnten so diskriminiert werden. Bis 92 % Gesamtgenauigkeit wurde für das SVM Model (evaluiert auf 20 % Testproben) erreicht. Dieses Model ermöglicht eine zuversichtliche Einschätzung der Qualität von neuen Proben durch wenige Messungen für die routinemäßige Qualitätskontrollen.
