Om de kwaliteit van peren na de oogst te kunnen waarborgen en jaarrond fruit te kunnen leveren, wordt gebruik gemaakt van langdurige bewaring. Tijdens de bewaring van het fruit kunnen er echter interne defecten ontstaan als gevolg van minder optimale bewaaromstandigheden. Deze kwaliteitsproblemen zijn aan de buitenkant niet zichtbaar, vandaar dat het nagenoeg onmogelijk is om ze op niet-destructieve wijze te detecteren met de sorteersystemen die momenteel worden gebruikt in de sector.
Wetenschappers van de KU Leuven hebben een combinatie van een Support Vector Machine, een algoritme dat kenmerken verzamelt en een röntgenapparaat voor computertomografie ontwikkelt om op niet-destructieve wijze nauwkeurig interne kwaliteitsproblemen in Conference- en Cepunaperen vast te kunnen stellen.
"Sorteerders kunnen met een nauwkeurigheid van 90,2% tot 95,1% fruit met kwaliteitsproblemen onderscheiden van gezond fruit, afhankelijk van het ras en het aantal gebruikte functies. Ook is het percentage vals positieve en negatieve uitslagen laag, variërend van respectievelijk 0,0% tot 6,7% en 5,7% tot 13,3%. Sorteerders die waren getraind op gegevens van Conference werden effectief overgeheveld naar Cepuna, wat wijst op een generaliseerbaarheid naar andere perenrassen."
Door zowel hardware als software te ontwikkelen om de inspectiesnelheid te verhogen en door de kosten van de apparatuur te verlagen, zou deze methode geschikt zijn om geïmplementeerd te worden voor industriële toepassingen, bijvoorbeeld als inline translationeel röntgen CT.
Bron: Tim Van De Looverbosch, Md. Hafizur Rahman Bhuiyand, Pieter Verboven, Manuel Dierick, Denis Van Loo, Jan De Beenbouwer, Jan Sijbers, Bart Nicolaï, 'Nondestructive internal quality inspection of pear fruit by X-ray CT using machine learning', 2020, Food Control, Vol. 113, 107170.