Food industry 4.0: Machine learning for new era of food safety

ระบบ Machine learning ในอุตสาหกรรมอาหารในยุค 4.0 เพื่อความปลอดภัยในอาหาร

            มาทำความเข้าใจกับอุตสาหกรรมอาหารยุค 4.0 และ ตัวอย่างการใช้เทคโนโลยี Machine learning ในอุตสาหกรรมอาหารกันเถอะ

ทำความรู้จักกับ อุตสาหกรรมอาหาร 4.0 (What is  food industry 4.0)

            ในปัจจุบัน ความท้าทายต่าง ๆ  ไม่ว่าจะเป็นโรคระบาดใหม่ ๆ ปัญหาขยะอาหาร ภาวะโลกร้อน การเติบโตของประชากร ร่วมกับการเติบโตของเทคโนโลยีใหม่ ๆ ทำให้เกิดการปฏิวัติอุตสาหกรรมขึ้นเป็นยุคอุตสาหกรรม 4.0 เช่นเดียวกับในอุตสาหกรรมอาหารที่ได้รับผลกระทบและต้องมีการปรับตัวด้วยเช่นเดียวกัน อุตสาหกรรมยุค 4.0 นี้เป็นยุคที่นำเทคโนโลยีล้ำสมัยต่าง ๆ เช่น ระบบ AI, IoT, block chain , หุ่นยนต์ ระบบอัตโนมัติ ระบบวิเคราะห์ข้อมูลต่าง ๆ เข้ามาช่วยในอุตสาหกรรมอาหาร เพื่อให้อาหารมีปริมาณ คุณภาพที่ดีมากขึ้น ลดปัญหาความปลอดภัยและขยะในอุตสาหกรรมอาหาร ลดผลกระทบต่อสิ่งแวดล้อม รวมถึงมีความยั่งยืนมากขึ้นด้วย เราจึงเหมือนอยู่ในยุคเปลี่ยนผ่านการผลิตและอุตสาหกรรมอาหารแบบเดิม ๆ ไปสู่ยุคใหม่ที่แตกต่างออกไปอย่างมาก

            การเปลี่ยนแปลงในภาคอุตสาหกรรมนี้ ทำให้ภาครัฐต้องพัฒนาแผนการดำเนินงานเพื่อให้สอดรับกับเทคโนโลยีและพฤติกรรมใหม่ ๆ ของผู้บริโภคเช่นเดียวกัน ตัวอย่างเช่นองค์การอาหารและยาของสหรัฐอเมริกา (USFDA) ได้จัดทำแนวทางของการควบคุมความปลอดภัยของอาหารในยุคใหม่ (New era of smarter food safety blueprint) 

Machine Learning คืออะไร?

            Machine learning (ML) เป็นส่วนหนึ่งของระบบ Artificial intelligence (AI) โดยโฟกัสการพัฒนาอัลกอริทึมโดยการให้ระบบได้เรียนรู้จากข้อมูลที่ป้อนเข้าไป และทำการฝึกฝนเพื่อเพิ่มประสิทธิภาพในการทำงาน เช่น การป้อนข้อมูลรูปภาพ และฝึกฝนการแยกแยะวัตถุในภาพ และมีการปรับปรุงจนสามารถแยกภาพที่ต้องการออกจากภาพที่ไม่ใช่อย่างชัดเจน เป็นต้น

การนำระบบ Machine Learning มาใช้ในอุตสาหกรรมอาหาร

            ในปัจจุบัน มีงานศึกษาเชิงวิชาการมากมาย ที่พยายามนำระบบ Machine learning มาใช้ในอุตสาหกรรมอาหาร แต่แอพพลิเคชันหนึ่งที่สำคัญมาก ๆ  คือความพยายามที่จะทำให้อาหารมีความปลอดภัยมากขึ้น สามารถตรวจสอบได้ง่ายขึ้น รวมถึงใช้เวลาน้อยลงในการวิเคราะห์ความปลอดภัยในอาหาร หรือการตัดสินใจเพื่อปกป้องความปลอดภัยของผู้บริโภค (เช่น การ recall สินค้าจากตลาด) นอกจากนี้ อาจมีการทำนายคุณภาพและความปลอดภัยของอาหารได้ด้วย input ที่ไม่ทำลายตัวอย่างอาหารได้ (เช่น ภาพ การวิเคราะห์คลื่นความถี่ ข้อมูลแหล่งที่มา อุณหภูมิ สารระเหย ข้อมูลสิ่งแวดล้อมจากเซนเซอร์ต่าง ๆ ) ดังนั้น ในบทความนี้ เราจึงยกตัวอย่างงานศึกษา Machine learning เพื่อความปลอดภัยของอาหารที่น่าสนใจมาเล่าค่ะ

            Wang และคณะ (2021) (1) ได้แบ่งการใช้งาน Machine learning เพื่อความปลอดภัยอาหารเป็น 3 แบบ คือ การใช้งานตรวจสอบอันตราย การตรวจสอบอาหารปลอมปน และ การสอบย้อนข้อมูล

            •การใช้งานตรวจสอบอันตราย Food hazard

            การวิเคราะห์อันตรายในอาหาร อาจจะเป็นการวิเคราะอันตรายด้านชีวภาพ เคมี หรือกายภาพก็ได้

            สำหรับอันตรายทางชีวภาพ อาจเป็นการแยกแยกชนิดของจุลินทรีย์หรือแมลง การวิเคราะห์แหล่งที่มา การทำนายการเจริญของจุลินทรีย์ และการควบคุมจุลินทรีย์ในอาหาร ตัวอย่างเช่น รายงานการศึกษาในปี 2020 (2) มีการพัฒนาระบบ Machine learning เพื่อทำนายต้นตอการเกิดโรค Salmonellosis (โรคทางอาหารที่เกิดจาก เชื้อ Salmonella) ในเดนมาร์ค โดยวิเคราะห์จีโนมของจุลินทรีย์ ที่เก็บตัวอย่างมาจากมนุษย์ อาหาร และสัตว์ เพื่อทำนายต้นตอ (Source) ของโรคที่เกิดในมนุษย์ หรืองานวิจัยที่ศึกษาการทำนายคุณภาพของจุลินทรีย์ในสาหร่ายกินได้ (3) จาก input ข้อมูลของเซนเซอร์ การวิเคราะห์ภาพ และ Spectroscopy

            อันตรายทางเคมีอาจโฟกัสพิษในอาหาร ยาฆ่าแมลง โลหะหนัก หรือสิ่งเจือปนในอาหาร เช่นงานวิจัยที่มีการทำนายวิเคราะห์ความเสี่ยงการปนเปื้อนพิษจากเชื้อรา (mycotoxin) aflatoxin B1 ในอาหารสัตว์ (4) โดยการใส่ข้อมูล (input) เกี่ยวกับอาหารสัตว์ เช่น ชนิด ช่วงเวลา ประเทศ เป็นต้น หรือ งานวิจัยที่ใช้ machine learning ในการเรียนรู้ input จาก hyperspectral imaging เพื่อทำนายการปนเปื้อนพิษจากเชื้อราในเมล็ดข้าวโพดโดยไม่ต้องทำลายตัวอย่างอาหาร (5)

            อันตรายทางกายภาพอาจถูกตรวจสอบได้จากการเรียนรู้ลักษณะที่ผิดปกติของผลิตภัณฑ์ หรือสิ่งเจือปน เช่น เศษภาชนะ ฝุ่น โลหะ พลาสติก ไม้ ฯลฯ เช่นการให้ระบบเรียนรู้ Microwave imaging (ลักษณะคลื่นไมโครเวฟที่ความถี่ต่ำ ที่แสดงลักษณะของตัวอย่างโดยไม่ทำลายตัวอย่าง) ที่แสดงผลการปนเปื้อนสิ่งเจือปนในเนยเฮเซลนัทที่บรรจุขวดโหล (6) เพื่อแยกผลิตภัณฑ์ที่มีการปนเปื้อนออกมาได้ตามเวลาจริง

            นอกจากการวิเคราะห์อันตรายโดยตรงแล้ว อาจมีให้ระบบเรียนรู้พฤติกรรมของมนุษย์เพื่อสุขลักษณะที่ดีในการผลิต เช่น การเรียนรู้เพื่อประเมินการล้างมือที่ได้มาตรฐานสุขอนามัยโดยใช้กล้องและวิเคราะห์ด้วย AI 

            •การตรวจสอบอาหารปลอม Food Fraud

            นอกจากการตรวจสอบการปนเปื้อนแล้ว Machine learning ยังอาจนำมาตรวจสอบอาหารปลอมได้อีกด้วย โดยอาจใช้ในการวิเคราะห์คุณภาพ (เช่น การจัดระดับความสุกของมะเขือเทศด้วยระบบการแตะด้วยหุ่นยนต์ (7))  หรือการตรวจสอบการปลอมปน (Food adulteration) เช่น การวิเคราะห์กราฟของสารระเหยจาก Gas chromatography เพื่อตรวจการปลอมปนน้ำมันงาด้วยน้ำมันพืช (8) หรือการวิเคราะห์การปนเปื้อนน้ำเชื่อมในน้ำผลไม้จากข้อมูลที่วัดจากเซนเซอร์ (9) เป็นต้น

            •การสอบย้อนข้อมูลอาหาร Food Traceability

            ในห่วงโซ่การผลิตอาหาร ตั้งแต่การผลิตวัตถุดิบไปจนถึงผู้บริโภค มีการเดินทางมากมายของส่วนผสมแต่ละชนิด ซึ่งนับเป็นข้อมูลปริมาณมหาศาล ข้อมูลเหล่านี้สามารถนำมาฝึกระบบให้เรียนรู้เพื่อการตรวจติดตามและสอบย้อนไปยังต้นทางได้ สำหรับในส่วนของ Machine learning สามารถเป็นหนึ่งในตัวช่วย เช่น การเรียนรู้เพื่อวิเคราะห์การเคลื่อนที่ของแท็ก RFID tag (10) เพื่อเพิ่มประสิทธิภาพในการติดตามผลิตภัณฑ์ได้ เป็นต้น

            หากท่านสนใจในการพัฒนาองค์กรเพื่อสอดรับกับอุตสาหกรรม 4.0 หรือต้องการเรียนรู้เทคโนโลยีใหม่ ๆ เพื่อความปลอดภัยในผลิตภัณฑ์อาหาร สามารถ ติดต่อเรา เพื่อแจ้งความประสงค์ หรือนัดหมายเพื่อปรึกษาการพัฒนามาตรฐานหรือเทคโนโลยีของท่านได้ทันที

เอกสารอ้างอิง

1.Wang, X., Bouzembrak, Y., Lansink, A. O., & van der Fels‐Klerx, H. J. (2022). Application of machine learning to the monitoring and prediction of food safety: A review. Comprehensive Reviews in Food Science and Food Safety, 21(1), 416-434.

2.Munck, N., Njage, P. M. K., Leekitcharoenphon, P., Litrup, E., & Hald, T. (2020). Application of whole‐genome sequences and machine learning in source attribution of Salmonella Typhimurium. Risk Analysis, 40(9), 1693-1705.

3.Lytou, A. E., Tsakanikas, P., Lymperi, D., & Nychas, G. J. E. (2022). Rapid Assessment of Microbial Quality in Edible Seaweeds Using Sensor Techniques Based on Spectroscopy, Imaging Analysis and Sensors Mimicking Human Senses. Sensors, 22(18), 7018.

4.Wang, X., Bouzembrak, Y., Oude Lansink, A. G. J. M., & Van der Fels-Klerx, H. J. (2022). Designing a monitoring program for aflatoxin B1 in feed products using machine learning. npj Science of Food, 6(1), 40.

5.Chakraborty, S. K., Mahanti, N. K., Mansuri, S. M., Tripathi, M. K., Kotwaliwale, N., & Jayas, D. S. (2021). Non-destructive classification and prediction of aflatoxin-B1 concentration in maize kernels using Vis–NIR (400–1000 nm) hyperspectral imaging. Journal of Food Science and Technology, 58, 437-450.

6.Casu, M. R. (2019). Detection of food contaminants with Microwave Sensing and Machine Learning(Doctoral dissertation, Politecnico di Torino).

7.Bandyopadhyaya, I., Babu, D., Bhattacharjee, S., & Roychowdhury, J. (2014). Vegetable grading using tactile sensing and machine learning. In Advanced Computing, Networking and Informatics-Volume 1: Advanced Computing and Informatics Proceedings of the Second International Conference on Advanced Computing, Networking and Informatics (ICACNI-2014)(pp. 77-85). Springer International Publishing.

8.Peng, D., Bi, Y., Ren, X., Yang, G., Sun, S., & Wang, X. (2015). Detection and quantification of adulteration of sesame oils with vegetable oils using gas chromatography and multivariate data analysis. Food Chemistry, 188, 415-421.

9.Naskar, H., Nandeshwar, V., & Das, S. (2018, December). Adulteration detection of grape fruit juice using PCA and LDA pattern recognition technique. In 2018 IEEE Applied Signal Processing Conference (ASPCON)(pp. 83-86). IEEE.

10.Alfian, G., Syafrudin, M., Farooq, U., Ma’arif, M. R., Syaekhoni, M. A., Fitriyani, N. L., … & Rhee, J. (2020). Improving efficiency of RFID-based traceability system for perishable food by utilizing IoT sensors and machine learning model. Food Control, 110, 107016.