Übergeordnete Diskussion

Am Einzelschichttrockner konnte die Produktfeuchte mit einer sehr hohen Wahrschein-lichkeit (Bestimmtheitsmaße zwischen 0,98 und 0,99) richtig vorhergesagt werden. Es hat sich gezeigt, dass die Verwendung der Random Forests in Kombination mit der multispektralen Flächenkamera für die Vorhersage der Produktfeuchte in Mangos und Ananas sehr gut geeignet ist. Bei Ananas wurden die Daten dabei mittels Softwarefil-tern vorbearbeitet, um nur Bereiche von Interesse zu untersuchen. Dies stellt einen großen Vorteil der multispektralen Flächenkamera im Vergleich zu RGB-Kameras und Spektrometern dar, da sie Pixel für Pixel arbeitet, aber gleichzeitig Spektralinformatio-nen erfasst.

Im Praxistest am Schranktrockner wurden bei der Vorhersage Bestimmtheitsmaße R² zwischen 0,70 und 0,94 für die Produktfeuchte und 0,61 und 0,93 für andere Kriterien erreicht. Die Produktfeuchte, die in beiden Prozessen vorhergesagt wurde, kann im Schranktrockner aufgrund der Daten der simulierten multispektralen Flächenkamera nur mit einem Bestimmtheitsmaß R² von 0,70 vorhergesagt werden, während am Ein-zelschichttrockner ein Bestimmtheitsmaß R² von 0,91 für Mangos und ein Be-stimmtheitsmaß R² von 0,90 für Ananas erreicht wurde. Beim Schranktrockner wurde das beste Ergebnis mit einem Bestimmtheitsmaß R² von 0,94 sogar erreicht, wenn nur Trocknungsdauer, Prozessdaten und Oberflächentemperatur verwendet wurden.

Damit ist die Vorhersage von Qualitätseigenschaften anhand der Kanäle der multi-spektralen Flächenkamera im Schranktrockner insgesamt schwächer als im Einzel-schichttrockner. Es wurde genauer untersucht, woran dies liegen kann. In Random Forest ist das Bestimmtheitsmaß R² der Testdaten die Größe, an der die Güte der

Vorhersage festgemacht wird. Ein niedriges Bestimmtheitsmaß bedeutet aber erst ein-mal, dass mit maschinellem Lernen aus den verwendeten Eingangsgrößen kein gutes Modell zur Vorhersage der Zielgrößen gebildet werden konnte. Die Ursachen hierfür können vielfältig sein: Die gewählten Qualitätskriterien ändern sich nicht wie erwartet, die Messmethoden sind zur Erfassung der Änderungen nicht geeignet, die Daten-menge ist zu gering oder die Daten sind ungleichmäßig verteilt. Außerdem kann ein niedriges Bestimmtheitsmaß R² ganz einfach bedeuten, dass bestimmte Kriterien nicht optisch erfasst werden können. Je mehr „Schwächen“ das Vorgehen hat, desto unsi-cherer werden die Vorhersagen.

Für den Anwender in der Praxis ist ein hohes R² nötig, um Qualitätskriterien mit hoher Sicherheit aus den Messdaten der multispektralen Flächenkamera abzuleiten. Für die Wissenschaft kann ein niedriges R² ein Mehrwert sein, da Zusammenhänge weiter erforscht werden müssen. Da es in dieser Arbeit es teils sehr gute und teils weniger gute Vorhersagen gab, ist die weitere Erforschung des Zusammenhangs zwischen Qualitätskriterien und Spektraländerungen und der Verwendung von maschinellem Lernen nötig, um den Einsatz der Verfahren in der Praxis möglich zu machen.

Mögliche Ursachen für niedrige Bestimmtheitsmaße sind in Tabelle 23 aufgelistet.

Tabelle 23: Fehlerquellen und mögliche Ursachen Schranktrockner Fehlerquelle Mögliche Ursachen

Mangos Sehr einheitliche Oberflächen, wenig Änderungen

Dünne Scheiben wenig geeignet für Texturanalyse der halbtro-ckenen Proben

Trocknung Manche Eigenschaften ändern sich durch die Trocknung nicht Mechanische Eigenschaften ändern sich stark, sind aber mit dem angewendeten Analyseverfahren nicht erfassbar Gewählte Parameter Enger Parameterraum, daher wenig extreme Änderungen Schranktrockner Geringe Probenmenge

Kaum kontinuierliche Datenerfassung

Untersuchung immer unterschiedlicher Proben (natürliche Va-riabilität von Agrarprodukten, Reifegrad usw.)

verwendete chemische oder mechanische Analysen

Manche Größen ändern sich durch die Trocknung nicht Rehydrierung ist aufwendig und fehleranfällig

Gewählte mechanische Kenngrößen sind evtl. nicht geeignet um Proben mit sich ändernder Konsistenz zu untersuchen 12 Kanäle der MSFK Externer Messplatz ist fehleranfälliger, abhängig von

Umge-bungsbedingungen

Manche Änderungen können nicht optisch erfasst werden Auswertung in Random

Fo-rest

Ungleich verteilte Daten Zu wenig Daten

Andere Größerer Einfluss der Trocknungsdauer am Schranktrockner Viel Handling der Proben, viele Fehlermöglichkeiten

Einfluss Trocknungsprozesse und Probenentnahme

Am Einzelschichttrockner wird zu jedem Zeitpunkt immer genau dieselbe Probe unter-sucht. Da im Schranktrockner mit zerstörenden Messverfahren gearbeitet wird, muss zu jedem Zeitpunkt eine andere Probe untersucht werden. Diese ist zwar ähnlich (Charge, Trocknungsparameter, Dicke, …) aber nicht zu 100 % gleich (natürliche Va-riabilität von Agrarprodukten, Reifegrad, …). Daher ist die Streuung im Schranktrock-ner selbst bei perfektem Messgerät sicher größer und die Bestimmtheitsmaße R² sind zwangsläufig kleiner als am Einzelschichttrockner.

Zudem ist der Probenumfang am Einzelschichttrockner mit etwa 30 bis 60 Messpunk-ten pro Versuch und 530 MesswerMesspunk-ten insgesamt größer als am Schranktrockner (5-15 Messpunkte pro Versuch; 128 Messwerte insgesamt). Je größer die Menge an Daten ist, desto besser ist das Modell in Radom Forest und desto weniger fehleranfällig die Vorhersage.

Aufgrund des sehr engen Versuchsraums ergaben sich für Mangos bei den meisten Kriterien keine extremen Veränderungen. Zum Austesten der Möglichkeiten der Kom-bination aus multispektraler Flächenkamera und maschinellem Lernen, wäre ein grö-ßerer Versuchsraum bei einem Produkt, das sich stärker ändert, aufschlussreicher.

Abhängigkeit von der Trocknungsdauer

Die Ergebnisse im Schranktrockner zeigen eine starke Abhängigkeit von der Trock-nungsdauer. Dieses Verhalten ist auch in Random Forest zu sehen: Die Modelle wer-den eindeutig besser, wenn zusätzlich zu wer-den Kanälen der MSFK die Trocknungs-dauer als Eingangsgröße verwendet wird. Der Vergleich ist in Abbildung 85 gezeigt:

Links sind die vorhergesagten Daten über den gemessenen Daten der Produktfeuchte bei Modellbildung ohne die Trocknungsdauer zu sehen, rechts mit der Trocknungs-dauer.

Abbildung 85: Vorhersage der Produktfeuchte ohne und mit Trocknungsdauer

Für die Vorhersage der Produktfeuchte muss die Zeit als Eingangsgröße hinzugenom-men werden. Dasselbe Verhalten ist beim Gehalt gesamtlöslichen Feststoffen und dem Farbabstand ΔE00 zu erkennen. Auch bei der Vorhersage der Produktfeuchte im Einzelschichttrockner werden die Modelle besser, wenn zusätzlich zu den Kanälen der multispektralen Flächenkamera die Lufttemperatur, die Luftfeuchte, die Trocknungs-dauer und die Oberflächentemperatur genutzt werden. Allerdings sind die Ergebnisse der Vorhersage ohne Verwendung der Prozessgrößen am Einzelschichttrockner bes-ser als am Schranktrockner.

Datengrundlage und fehlende Zusammenhänge

Random Forest kann auch zu geringe oder einseitige Daten nicht uneingeschränkt ausgleichen oder Zusammenhänge finden, wenn es keine gibt. Beispielsweise ist der pH-Wert unabhängig von der Trocknungsdauer oder optischen Änderungen. Dies zeigt sich in der Unmöglichkeit Änderungen im pH-Wert über Spektraländerungen vorher-zusagen. Die Ergebnisse der Vorhersage mit Random Forest belegen die Literatur und die Messungen in dieser Arbeit.

Mechanische Eigenschaften können durch Random Forest ebenfalls nicht vorherge-sagt werden, hier scheint die Messmethode am Texture Analyzer in Kombination mit den gewählten Kenngrößen zur Erfassung der Änderungen von weich über gummiartig zu hart in dünnen Scheiben ungeeignet zu sein.