Vil løse problemet med spill av matråstoff

Alt for mye mat havner på dynga: fra husholdningene, i forhandlerleddet og i næringsmiddelinsustrien.

Foto: Cezary p

Bare i Norge er ender ca. 320.000 tonn matråstoff opp som avfall, årlig. Globalt snakker vi om 1,3 milliarder tonn, et problem som det må det gjøres noe med. Prosjektet iProcess har som mål å finne ut hvordan en bedre kan utnytte matressursene, enten det er grønnsaker, kjøtt, fisk eller frukt, mer effektivt.

– Det finnes mye hyllevareteknologi, men ikke egnet våre produksjonsvolum og produkter. Ved å analysere big data eller informasjon fra dagens utstyr og matvareprodusenter, kan vi tilpasse produksjonsutstyret til våre behov, sier Kirsti Greiff, leder for kommunikasjon og formidling i iProcess til TU.

Prosjektet har som ambisjon å utvikle nye fleksible prosessinnovasjoner, konsepter og forretningsmodeller for bærekraftig verdiskaping innenfor matproduksjon. Det gjelder både marine og landbaserte prosesser. Målet er bedre utnyttelse av råstoff og restråstoff for å øke lønnsomheten – i et kretsløpsperspektiv. Videre er det et mål å redusere både spiselig og uspiselig avfall fra hele matverdikjeden. I tillegg skal man studere hvordan man skal sikre høy nok matkvalitet i sluttproduktene. Prosjektet har en tverrfaglig tilnærming med fire hovedområder: robotisering, prosesskontroll, optimal ressurseffektivitet og utvikling av forretningsmodeller.

Ifølge Sintef er det mulig å utvikle tekniske løsninger som passer norske forhold.

– Faglig sett, de største utfordringene for å få til en fleksibel automasjon som er tilpasset råstoffets variasjon og varierende produksjonsvolumer er knyttet til utvikling av automasjonskonsepter som kan imitere nøyaktigheten av manuelt arbeid utført av mennesker og samtidig å utnytte de samme maskinene til å utføre flere typer jobber i produksjonsprosessen, sier Ekrem Misimi som leder den største arbeidspakken i iProcess.

– Fokuset vil være på maskinsynskonsepter (øye) som kan effektivt gjenkjenne og lokalisere råstoffet i 3D rom, ved hjelp av maskinlæring (hjerne), samt bruke behendige gripere og kutteverktøy (hånd) for å håndtere og foredle dette råstoffet med optimal utbytte. I praksis vil dette bety visuell, kamerabasert styring av roboter for å utføre komplekse operasjoner som i dag ikke er automatisert, sier Misimi.

Kilde: Tu.no