Die Methode beschreibt die Bestimmung der Sorte von Gerste sowie der Feststellung von Sortengemischen.
Gersten, die für die Vermälzung vorgesehen sind, und Gerstenmalze
Auftrennung und Identifikation der Protein-(Hordein-)fraktion einer Gerste oder eines Gerstenmalzes mittels Gel-Elektrophorese. Die Methode eignet sich für alle Gerstensorten, soweit Referenzmaterialien vorhanden sind, versagt aber bei Malzen, die so stark gelöst sind, dass die Proteinfraktion fast vollständig abgebaut ist.
Die Methode beschreibt die Bestimmung der Sorte von Gerstenmalz sowie die Feststellung von Sortengemischen.
Malz, das für die Verwendung in der Brau- und Lebensmittelindustrie vorgesehen ist.
Mithilfe von Bildverarbeitung, künstlicher Intelligenz und dem Internet of Things (IoT) ermöglicht die Methode eine Analyse der Sortenreinheit von Braugerste.
Mittels Scanner wird ein hochauflösendes Bild einer Probe von Gerstensamen aufgenommen. Das Bild durchläuft dann Algorithmen, die einzelne Körner auf dem Bild erkennen und segmentieren. Anschließend wird jedes einzelne Korn von einem neuronalen Netzwerk (Convolutional Neural Network, CNN) analysiert, dessen Architektur speziell für die Analyse und Klassifizierung von landwirtschaftlichen Erzeugnissen ausgewählt und entwickelt wurde. Das CNN wurde mit verifizierten Informationen (auch Ground Truth genannt) trainiert, wobei es lernt, wie die einzelnen Gerstensorten unterschieden werden können. Die Basis hierfür bilden sortenreine Proben verschiedener Gersten, die zuvor mit dem Gerät digitalisiert wurden und entsprechend den Datensatz (Modelle der künstlichen Intelligenz) bilden. Um genaue Modelle zu erhalten, müssen die Algorithmen mit einer großen Variabilität trainiert werden, d. h. mit reinen Proben verschiedener Sorten aus unterschiedlichen Regionen, Erntejahren und Standorten. Der Zweck des Trainings besteht darin, dass die Algorithmen lernen, die Muster zu erkennen, die jede Sorte unterscheiden und zugleich Sinn ergeben. Einmal trainiert, sind die Algorithmen in der Lage, die Sortenreinheit einer unbekannten Probe von Gerstensaatgut genau vorherzusagen, sofern die Sorte in den Modellen der künstlichen Intelligenz enthalten ist.