Purpose: This research will study how hyperspectral sensoring can assess the moisture content of lettuce by monitoring its growth in indoor vertical farming. Research questions: “What accuracy can be achieved when using hyperspectral sensoring for assessing the moisture content of lettuce leaves grown in vertical farming?” “How can vertical farming contribute to sustainability in conjunction with integration of NIR spectroscopy?” Methodology: This study is an experimental study with a deductive approach in which experiments have been performed using the hyperspectral technologies singlespot sensor and the hyperspectral camera Specim FX17 to collect spectral data. To analyze the data from the experiments two regression models were used and trained to make it possible to predict future moisture content values in lettuce. In order to get a better understanding and analyze the results from the experiments, a literature review was also conducted on how hyperspectral imaging has been applied to assess the quality of food products. Conclusion: The achieved accuracies were 58.24 % and 65.54 % for the PLS regression model and the Neural Network model respectively. Employing hyperspectral sensoring as a non-destructive technique to assess the quality of food products grown and harvested in vertical farming systems, contributes to sustainability from several aspects such as reducing food waste, minimizing costs and detecting different quality attributes that affect the food products. / Syfte: Syftet med denna studie är att undersöka hur hyperspektral avbildning kan användas för att bedöma fuktigheten i sallad genom att kontrollera hur den växer i vertikal odling inomhus. Frågeställningar: “Vilken noggrannhet kan uppnås vid användning av hyperspektral avbildning för att bedöma fukthalt hos salladsblad som odlas i vertikal odling?” “Hur kan vertikal odling bidra till hållbarhet i kombination med integration av NIR spectroscopy?” Metod: Denna studie är en experimentell studie med en kvantitativ metod inom vilken en deduktiv ansats har tillämpats genom användning av de hyperspektrala teknologierna single-spot sensor och hyperspektralkameran Specim FX17 för insamling av spektral data. För att analysera datan från experimenten skapades och tränades två olika regressionsmodeller till att möjliggöra förutsägning av framtida värden av fukthalt i sallad. För att få en bättre förståelse för och kunna göra en bättre analys av resultaten från experimenten, utfördes även en litteraturöversikt på vad tidigare forskning om tillämpningen av hyperspektral avbildning för kvalitetssäkring av matprodukter har visat. Slutsats: Noggrannheten för PLS-regressionsmodellen var 58,24 % och 65,54 % för Neural Network-modellen. Minskat matsvinn och kostnader samt upptäcka olika kvalitetsattribut som påverkar livsmedelsprodukterna är de hållbara resultaten vid bedömning av kvalitet via hyperspektral sensing.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:mdh-63545 |
| Date | January 2023 |
| Creators | Ahaddi, Arezo, Al-Husseini, Zeineb |
| Publisher | Mälardalens universitet, Akademin för innovation, design och teknik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds