FreshTwin

Frische und Haltbarkeit von Obst über digitale Zwillinge und ein EPCIS-2.0-Repository entlang der Lieferkette bestimmen.

Das Projekt

Frisches Obst verliert auf dem Weg vom Erzeuger zum Handel ständig an Qualität, und wie viel Haltbarkeit in einer Charge noch steckt, lässt sich bislang kaum verlässlich bestimmen. Die Prüfung in der Warenannahme erfolgt meist manuell und fällt je nach Prüfer unterschiedlich aus.

FreshTwin verband innovative Messmethoden mit künstlicher Intelligenz, um die tatsächlichen Qualitätsmerkmale frischer Lebensmittel messbar und vorhersagbar zu machen. Hyperspektrale Kameras, ein Handspektrometer und Bilderkennung erfassen innere und äußere Merkmale einer Frucht. Aus diesen Daten entsteht ein digitaler Zwilling je Produkt, der mit hybriden Grey-Box-Modellen arbeitet, also einer Kombination aus bekanntem Prozesswissen und maschinellem Lernen.

Erprobt wurde der Ansatz an Trauben, Äpfeln und Mangos, in Labortests und in der Praxis bei Obstproduzenten und im Handel. Ziel war eine genauere Qualitäts- und Haltbarkeitsbewertung, damit Produzenten und Händler bessere Entscheidungen treffen und weniger Ware unnötig verloren geht.

Der Beitrag von benelog

Wir verantworteten im Projekt das Daten-Repository, das die Ergebnisse der Messungen, die Modelle und die Lieferkettendaten zusammenführt.

Ein digitaler Zwilling ist nur so gut wie die Daten, die in ihn einfließen, und diese Daten entstehen an vielen Stellen: Messwerte der Analytik-Partner, produktbegleitende Informationen und Ereignisse entlang der Lieferkette. Damit daraus ein stimmiges Bild wird, braucht es eine gemeinsame, standardkonforme Grundlage.

Dafür stellten wir ein modulares, GS1-EPCIS-2.0-konformes Daten-Repository bereit, mit OpenEPCIS als zentraler Drehscheibe. Über EPCIS Capture und Subscriptions flossen Mess- und Lieferkettendaten in beide Richtungen, sodass die digitalen Zwillinge laufend mit neuen Daten versorgt und ihre Ergebnisse zurückgespielt werden konnten. Gemeinsam mit den Partnern erarbeiteten wir zudem die Zielarchitektur der Lösung und waren an der Praxisvalidierung beteiligt.

Projektpartner

  • tsenso GmbH
  • benelog
  • Cubert GmbH
  • Albert-Ludwigs-Universität Freiburg

Das diesem Beitrag zugrundeliegende Vorhaben wurde mit Mitteln des Bundesministeriums für Forschung, Technologie und Raumfahrt (BMFTR) unter dem Förderkennzeichen 16IS22048B gefördert. Die Verantwortung für den Inhalt liegt bei benelog.