Detection of Chicken Meat Adulteration in Cattle Meat Using BME688 Gas Sensor and Convolutional Neural Networks

Lebensmittelfälschung ist ein beständiger Schatten über der globalen Lebensmittelversorgung, bei dem teure Zutaten heimlich durch billigere ersetzt werden, um die Gewinne zu steigern. Diese Praxis täuscht nicht nur die Verbraucher um ihr Geld; sie kann auch allergische Reaktionen auslösen, religiöse Speisevorschriften verletzen und das Vertrauen in das, was wir essen, untergraben. Jahrzehntelang erforderte das Aufspüren dieser Substitutionen das Versenden von Proben an ein Labor, wo Wissenschaftler komplexe, teure Maschinen verwenden, um DNA oder Proteine zu analysen. Obwohl diese Methoden genau sind, sind sie langsam, erfordern eine spezialisierte Ausbildung und können nicht direkt im Supermarkt oder in der Schlachthalle verwendet werden, um eine Fleischcharge in dem Moment zu überprüfen, in dem sie eintrifft. Die Herausforderung bestand darin, einen Weg zu finden, Betrug schnell und kostengünstig zu erkennen, ohne die Genauigkeit zu opfern – idealerweise mit einem Gerät, das klein genug ist, um in eine Hand zu passen.

Ein Forscherteam der Bolu Abant Izzet Baysal Universität in der Türkei hat einen bedeutenden Schritt zur Lösung dieses Problems gemacht, indem es ein System entwickelte, das Fleisch „riecht“, um zu unterscheiden, ob es rein oder gemischt ist. Ihre Arbeit konzentriert sich auf eine spezifische und häufige Art des Betrugs: das Beimischen von billigem Hühnerfleisch in teureres Rindfleisch. Anstatt nach DNA zu suchen, erkennt ihr Gerät die unsichtbare Gaswolke, die natürlich vom Fleisch aufsteigt. Alles frische Fleisch gibt eine einzigartige Mischung aus flüchtigen organischen Verbindungen ab, die im Wesentlichen winzige chemische Moleküle sind, die in die Luft schweben. Verschiedene Tierarten produzieren unterschiedliche chemische Signaturen, ganz so, wie verschiedene Menschen unterschiedliche Düfte haben. Die Forscher bauten eine kompakte elektronische Nase, ein Gerät, das mit einem Gassensor ausgestattet ist, dessen elektrischer Widerstand sich ändert, wenn es auf diese spezifischen luftgetragenen Chemikalien trifft. Durch die Kombination dieses Sensors mit einer Art künstlicher Intelligenz, einem faltenden neuronalen Netzwerk (Convolutional Neural Network), entwickelten sie ein System, das lernen kann, den ausgeprägten chemischen Fingerabdruck von reinem Rindfleisch gegenüber Rindfleisch, das mit Hühnerfleisch gestreckt wurde, zu erkennen.

Um ihre Idee zu testen, bereiteten die Forscher in einer kontrollierten Laborumgebung eine Reihe von Fleischmischungen vor. Sie nahmen Hackfleisch vom Rind und Hackfleisch vom Huhn, beide gleicher Frische, und mischten sie in präzisen Verhältnissen zusammen. Einige Proben waren reines Rindfleisch, während andere 10 %, 20 %, 30 % oder 50 % Huhn enthielten. Sie platzierten diese Fleischpasteten in versiegelte Glasbecher und positionierten ihr Sensorarray direkt über der Oberfläche. Der in dieser Studie verwendete Sensor, der BME688, ist ein kleiner, kostengünstiger Chip, der in der Lage ist, Gas, Temperatur und Luftfeuchtigkeit zu messen. Um die detaillierteste Messung zu erhalten, ließen die Forscher den Sensor nicht einfach stillstehen; sie programmierten ihn so, dass er in vier verschiedenen Mustern aufheizt und abkühlt. Diese Temperaturmodulation hilft dem Sensor, unterschiedlich auf verschiedene Chemikalien zu reagieren, was es ihm ermöglicht, ein reichhaltigeres und detaillierteres Bild der aus dem Fleisch aufsteigenden Gaswolke zu erfassen. Sie ließen zwei Sensoren gleichzeitig laufen: Einer maß die Luft über dem Fleisch, der andere die saubere Luft des Raumes, wodurch sie das Hintergrundrauschen subtrahieren und den Duft des Fleisches selbst isolieren konnten.

Sobald die Daten gesammelt wurden, speisten die Forscher diese in ihr Modell der künstlichen Intelligenz ein. Dieses Modell war darauf ausgelegt, zwei Dinge gleichzeitig zu tun. Erstens fungierte es als Klassifikator, der versuchte, die Proben der richtigen Kategorie zuzuordnen, wie etwa „reines Rindfleisch“ oder „Rindfleisch mit 20 % Huhn“. Zweitens fungierte es als Regressor, der versuchte, den genauen Prozentsatz des Hühnerfleisches in der Mischung zu schätzen. Die Ergebnisse waren bemerkenswert präzise. Für die Aufgabe, einfach zu identifizieren, zu welcher Kategorie eine Probe gehört, erreichte das System eine perfekte Genauigkeit auf seinen Testdaten und unterschied jede einzelne Mischung korrekt, unabhängig davon, welches Heizmuster der Sensor verwendete. Dies bedeutet, dass die chemischen Unterschiede zwischen reinem Rindfleisch und mit Hühnerfleisch gemischtem Rindfleisch ausgeprägt genug sind, damit die Maschine sie jedes Mal erkennt.

Das System erwies sich auch als äußerst effektiv bei der Schätzung der exakten Menge des vorhandenen Hühnerfleisches. Das am besten abschneidende Modell, das ein spezifisches Heizmuster namens HP-412 verwendete, konnte die Menge des Hühnerfleisches mit einem durchschnittlichen Fehler von nur etwa 1,5 Prozentpunkten vorhersagen. In praktischen Begriffen ausgedrückt: Wenn das Fleisch 20 % Huhn enthielt, würde das Gerät wahrscheinlich schätzen, dass es zwischen 18,5 % und 21,5 % liegt. Diese Präzision ist signifikant, da sie über das bloße Erkennen des Bestehens von Betrug hinausgeht und zur Quantifizierung des genauen Anteils des Betrugs übergeht, was für Regulierungsbehörden und Lebensmittelsicherheitsinspektoren entscheidend ist. Die Studie bestätigt, dass ein kostengünstiger Sensor gepaart mit intelligenter Software eine komplexe chemische Analyse ohne die Notwendigkeit eines Labors durchführen kann.

Die Forscher weisen jedoch vorsichtig auf die Grenzen ihrer Erkenntnisse hin. Die Experimente wurden unter strengen Laborbedingungen mit frischem Fleisch durchgeführt, das unmittelbar vorbereitet und getestet wurde. Das System wurde noch nicht an Fleisch aus verschiedenen Rinderrassen, an Fleisch, das über Wochen gereift ist, oder an Proben getestet, die eingefroren und aufgetaut wurden. Diese realen Variablen könnten die chemische Signatur des Fleisches verändern und den Sensor potenziell verwirren. Die Autoren schlagen vor, dass das System zwar ein leistungsstarker Beweis für die Machbarkeit (Proof of Concept) ist, zukünftige Arbeiten jedoch Tests an einer viel breiteren Vielfalt von Proben erfordern müssen, die über einen längeren Zeitraum gesammelt wurden, um sicherzustellen, dass das System auf einem belebten Markt oder in einer Verarbeitungsanlage zuverlässig funktioniert. Sie planen außerdem, diese Technologie in tragbare, handgehaltene Geräte zu integrieren, die direkt im Feld eingesetzt werden können.

Diese Forschung unterstreicht einen Wandel in der Art und Weise, wie die Lebensmittelsicherheit in Zukunft überwacht werden könnte. Anstatt sich ausschließlich auf langsame, teure Labortests zu verlassen, könnte die Industrie bald Zugang zu schnellen, zerstörungsfreien Werkzeugen haben, die Fleisch in Echtzeit auf Authentizität prüfen können. Indem sie beweisen, dass ein kleiner, kostengünstiger Sensor zwischen reinem Rindfleisch und mit Hühnerfleisch gemischtem Rindfleisch mit hoher Genauigkeit unterscheiden kann, öffnet die Studie die Tür für eine neue Generation von Technologien zur Lebensmittelsicherheit. Diese Werkzeuge könnten schließlich dazu beitragen, die Verbraucher zu schützen, den fairen Handel zu gewährleisten und die Integritität der Lebensmittellieferkette aufrechtzuerhalten, indem sie den subtilen chemischen Flüstern der Lebensmittel selbst lauschen.