Kwaliteitsverloop en het modelleren ervan

Nederland is een belangrijke producent van veel tuinbouwproducten die na de oogst geëxporteerd worden, terwijl we ook een centraal punt zijn voor de import en herexport van bijvoorbeeld bloemen en tropische vruchten. We leven ook in een steeds meer digitale wereld waar steeds meer gemeten kan worden en ook gemeten wordt met sensoren die vaak contact hebben met internet. Denk aan sensoren die de groeiomstandigheden meten, de status van het product bij oogst, de temperatuur en vochtigheid tijdens (zee-)transport, maar ook bijvoorbeeld hoeveel ademhalings-gassen de producten produceren. Kunnen we kennis over processen die de kwaliteit van producten beïnvloeden combineren met sensordata? Kunnen we gebruik maken van de revolutie in artificiële intelligentie in combinatie met sensordata om veranderingen in kwaliteit te volgen? Ja, dat kan!

We kunnen en willen steeds meer. We willen niet alleen kwaliteitsverloop begrijpen en beschrijven, maar ook voorspellen. En dat is lastig maar biedt ook veel mogelijkheden, want we kunnen dan ook ingrijpen. Stel dat sensoren aan boord van een schip naar Europa aangeven dat een partij avocado’s snel aan het rijpen is. Dan kunnen we, aan de hand van kwaliteitsverloopmodellen, bekijken wat de effecten zijn van bijvoorbeeld sneller varen, of om de bewaaromstandigheden aan te passen. Wellicht is dat niet voldoende, en kan de boot een andere aankomsthaven kiezen om voedselverliezen en verspilling te voorkomen. Als bijvoorbeeld het aanpassen van de bewaartemperatuur wel voldoende is, dan kan dat ervoor zorgen dat consumenten prima avocado’s aantreffen in de supermarkt. Win-Win!

Wat is modelleren eigenlijk? En welke typen kwaliteitsmodellen bestaan er? We geven hieronder een (niet volledig) overzicht van concepten en modellen. Ook geven we aan wat wel mogelijk is, en wat misschien nog niet. Daarnaast gaan we in op de nieuwste trend, digitale tweelingen.

Wat is modelleren?

Dat hangt af aan wie je het vraagt… Modelleren is meestal gebaseerd op experimentele data, uit het lab of juist uit de praktijk en zijn productspecifiek. Dus een model voor appelkwaliteit kan niet voor mango gebruikt worden. Data van verschillende factoren die gecorreleerd zijn, kunnen worden gebruikt. Vaak is een statistische analyse de start. Statistische analyses proberen de invloed van de verschillende factoren op het kwaliteitsverloop in kaart te brengen. Bij kinetisch modelleren gaat de aandacht naar beschrijven van (parallelle) processen die gebaseerd zijn op algemene wetten. Andere modellen gaan uit van (machine-learning-)technieken die in- en outputs met elkaar verbinden zonder dat de relaties direct zichtbaar zijn (black-box-modellen), en soms zijn er combinaties van de twee (hybride modellen). In alle gevallen zijn modellen bedoeld om gedrag van het product te begrijpen, het gedrag te beschrijven en als het even kan, gedrag te voorspellen. Dat laatste is het meest lastig.

Modellen representeren kennis over het product. Omdat er zeer veel factoren zijn, zijn modellen vaak complex. Bij kinetische modellen zijn de processen vaak simpel, maar de interacties complex. Bij black-box modellen kun je vaak de complexiteit opleggen, maar met grenzen, anders ben je aan het over-fitten. Simulaties en kalibraties zijn nodig om, net als met weersmodellen, een voorspelling te kunnen doen over de toekomstige kwaliteit en daar in het heden reeds op te kunnen anticiperen, bijvoorbeeld door het aanpassen van bewaarcondities, het kiezen van andere afzetkanalen of het aanpassen van prijzen. Modellen (simulaties, berekeningen, voorspellingen) spelen dus een rol (of kunnen een rol spelen) in beslissingsondersteuning, en op de langere termijn in de kwaliteit-gecontroleerde keten: de keten die gestuurd wordt op (voorspelling van) productkwaliteit. Voor de organisatie van zo'n keten is overigens veel meer nodig dan een model alleen; de keten zal ook moeten worden ingericht op kwaliteitssturing, bijvoorbeeld door implementatie van veel/meer meetpunten en het uitvoeren van meer permanente metingen (data-acquisitie) en training van personeel.

Modelleren van houdbaarheid

Houdbaarheid is de tijd dat een product een verkoopbaar kwaliteit heeft volgens vooraf gedefinieerde criteria. Die tijd wordt behoorlijk door de temperatuur beïnvloed (daarom bewaren we veel producten in de koelkast), maar ook door wat een consument nog acceptabel vindt (een paar bruine blaadjes aan een roos, is dat nog Ok?). Het is mogelijk om simpele of ook meer complexe kwaliteitsverloopmodellen te combineren met consumenten-limieten en om zo de houdbaarheid als functie van de temperatuur aan te geven. In bijgaand figuur zie je dat voor twee producten (sla en tomaat).

Voor sla is het zo dat hoe lager de bewaartemperatuur is, hoe beter (maar niet laten bevriezen!). Voor tomaat is het anders: er is een maximum bij ongeveer 14 °C. De achtergrond is dat hier twee kwaliteitsverloopmodellen worden gecombineerd, eentje voor veroudering (hoe kouder hoe beter, net zoals voor sla) en eentje voor koudeschade (hoe kouder hoe slechter). Dit werkt heel goed, en modelparameters voor dit model zijn beschikbaar voor heel veel producten [2]. Dit geeft inzicht in de houdbaarheid als functie van temperatuur en dus ook de optimale bewaartemperatuur, en is bruikbaar in de keten omdat er eenvoudig een dynamische versie van te maken is. Trouwens, best veel producten zijn koudegevoelig, vooral die oorspronkelijk uit tropische oorden komen.

Modelleren van stevigheid van tropische producten

Bananen, mango’s en avocado’s zijn vaak weken onderweg naar Europa, en worden daarom vaak onrijp geplukt, worden dan meestal gerijpt, met of zonder een gasvormig rijpingshormoon, ethyleen. De figuur hieronder laat de data en modelsimulatie zien voor harde en zachte mango’s mét en zonder ethyleen.

Het (kinetische) model is gebaseerd op een combinatie van drie processen die gerelateerd zijn met afbraak van de celwand door enzymen die geproduceerd worden door ethyleen in de vrucht of toegevoegd tijdens bewaring [3]. Er zijn meer van dit soort modellen, voor andere tropische vruchten. De praktische toepassing is er nog niet, omdat een van de parameters, de ethyleengevoeligheid per partij, nu onbekend is. Dat zou best kunnen veranderen als de ethyleenconcentratie gemeten kan worden tijdens transport. En dat kan bijna. We hebben een systeem dat automatisch lucht kan opzuigen tijdens transport, en sensors die ethyleen kunnen meten en kunnen doorsturen via internet zijn in ontwikkeling en testing.

Stevigheid van peren modelleren

Voor het modelleren van de stevigheid van peren is een andere methode gebruikt op basis van machine learning middels een Bayesiaans netwerk [4]. Het Conference-perenmodel dat ontwikkeld is, berekent kansen dat bepaalde (on)bekende factoren zoals bijvoorbeeld seizoen, herkomst, pluktijdstip, toepassing ethyleenremmers, bewaar- en transportduur, uitstalcondities, leiden tot een bepaalde productkwaliteit op verschillende momenten in de keten. De figuur hieronder toont een fragment van een Bayesiaans netwerk waarbij factoren die van invloed zijn op de hardheid met waarschijnlijkheden (van stochasten) worden weergegeven.

De waarden van de stochasten worden geleerd uit data. Aanvullingen kunnen gemaakt worden door samen met experts inschattingen te geven voor die records waar geen data beschikbaar voor zijn. Met behulp van het Bayesiaans netwerk kunnen scenario’s worden doorgerekend, zoals het bepalen van de kans op een bepaalde hardheid in verschillende fases in de keten. Op basis van deze uitkomsten kan bijvoorbeeld worden bijgestuurd in bewaarcondities, die vervolgens opnieuw kunnen worden doorgerekend. Ook kan men op basis van die informatie kiezen om bijvoorbeeld van afzetkanaal te wisselen dan wel te her-sorteren. Gevoeligheidsanalyses kunnen met een Bayesiaans netwerk gedaan worden om meer inzicht te krijgen in de effecten van bewaarcondities en -concepten, en teelteigenschappen op de latere kwaliteit. Op basis van kennis die op deze manier wordt opgebouwd, kan in de toekomst gericht ingezet worden op effectievere teelt- en bewaarmethoden teneinde de kwaliteit van peer te verbeteren [4].

Modelleren bewaring onder geconditioneerde omstandigheden: voorbeeld broccoli

Heel veel producten worden bewaard. Soms worden ze heel lang bewaard, zoals appels en peren (jaarrond!) en wordt gebruik gemaakt van verlaagde zuurstof- en verhoogde koolzuurconcentratie om de ademhaling te verlagen, of in andere woorden, het product wordt in slaap gebracht. Het is mogelijk om modellen te combineren. In de figuur zie je een combinatie van een ademhalingsmodel en een kwaliteitsverloopmodel voor een van de gezondste stoffen in broccoli, glucosinolaten [5]. Hoe meer glucosinolaten hoe beter voor de kwaliteit van het product. Deze specifieke modelstudie geeft aan dat het verpakken van broccoli in een verpakking die de zuurstof- en koolzuurconcentraties reguleren (MAP), zinvol kan zijn om gezondere broccoli in de supermarkt te krijgen. Er worden ook regelmatig ademhalingsmodellen gecombineerd met kwaliteitsverloop-modellen, gericht op stevigheid van een product. Die kunnen gebruikt worden om scenario’s te bekijken, en te beslissen hoe lang en wanneer partijen bewaard kunnen worden om met een voldoende stevigheid op de markt te komen.

Digitale tweelingen

Het combineren van modellen is de hedendaagse trend, bijvoorbeeld in een digitale tweeling. Een digitale tweeling is een virtuele weergave van een bepaald product en is gekoppeld aan het echte product door sensoren. Statistische en door data gestuurde tweelingen kwantificeren hoe kwaliteitsverlies van verse tuinbouwproducten optreedt door patronen in de gegevens te begrijpen waardoor kan worden verklaard waarom kwaliteitsverlies optreedt. Dit kan door modellen te combineren, zoals die zijn gebaseerd op onderliggende fysische, biochemische, microbiologische en fysiologische processen. Digitale tweelingen bieden bruikbare gegevens voor exporteurs, detailhandelaren en consumenten, zoals de resterende houdbaarheid van elke zending, waarop logistieke beslissingen en marketingstrategieën kunnen worden gebaseerd. De tweeling helpt ook bij het diagnosticeren en voorspellen van potentiële problemen in toeleveringsketens die de voedselkwaliteit zullen verminderen en voedselverlies zullen veroorzaken.
Voor meer informatie over digitale tweelingen: Digital Twins, what are they
Digital and innovative twins in supply chains

De huidige staat van modellen: wat kunnen we, en wat nog niet?

In de toekomst gaan sensoren een grote rol spelen, vooral als ze gekoppeld zijn met internet om ‘real time’ data door te sturen over producten die vervoerd worden. Dat levert grote datasets op. Big data en AI (machine learning) gaan zeker een rol spelen in het verder doorgronden van kwaliteitsverloop, waarschijnlijk in combinatie met fysiologische en fysische modellen, de hybride modellen, die samengebracht worden in digitale tweelingen. Dat levert enorme mogelijkheden op om partijen producten, of dit nu bloemen of vruchten zijn, te volgen en in te grijpen om voedselverlies te voorkomen en kwaliteitsbehoud te garanderen, ongeacht waar de producten vandaan komen! De toekomst is complex, maar vooral rooskleurig. Dat betekent nieuwe sensoren, experimenten in gecontroleerde omgevingen, maar juist ook data uit de praktijk (big data) en de creatie van hybride modellen. Als u meer wilt weten over de mogelijkheden om modellering in uw keten in te passen, we staan graag voor u klaar!

Referenties

1. Van de Geijn, F., Van Schaik, A., Verschoor, J., 2006, Conference bewaring. Een uitgave onderdeel van KwaliCon.
2. Tijskens L.M.M., Polderdijk, J., 1996. A generic model for keeping quality of vegetable produce during storage and distribution. Agricultural Systems. 51, 431-452.
3. Schouten, R.E., Fan, S, Verdonk, J.C., Wang, Y., Mohd Kasim, M.K.1 Woltering, E.J., Tijskens, L.M.M. 2018. Mango firmness modeling as affected by transport and ethylene treatments. Front. Plant Sci., 20.
4. Rijgersberg, H., Van de Geijn, F., Van Schaik, A., Willems, D., Hogeveen, E., 2018, Grip op kwaliteit van Conference-peren met behulp van een Bayesiaans netwerk. GreenCHAINge G&F DP5 Export peren verre bestemmingen.
5. Schouten, R.E., Zhang, X., Verkerk, R., Verschoor, J.A. Otma, E.C., Tijskens, L.M.M. van Kooten, O. 2009. Modelling the level of the major glucosinolates in broccoli as affected
   by controlled atmosphere and temperature. Postharvest Biology and Technology 53, 2009, 1-10.
6. Defraeye, T., Shrivastava, C., Berry. T. Verboven, P., Onwude, D Schudel, S., Bühlmann, A., Cronje, P., Rossi, R.M. 2021. Digital twins are coming: Will we need them in supply chains of fresh horticultural produce? Trends in Food Science & Technology, 109, 245-258.