Количество пищевых отходов с каждым годом увеличивается, вызывая серьезные экологические, энергетические и этические последствия. Большой процент этих отходов производится непосредственно в домах конечных потребителей. Основная причина этого – порча пищи ввиду активности плесени и бактерий. Для решения этой проблемы было разработано устройство, способное контролировать созревание овощей с помощью многоспектрального датчика и датчика летучих органических соединений (ЛОС). Устройство предназначено для установки внутри домашнего умного холодильника и для отслеживания спелости овощей. Таким образом, конечный пользователь может быть в любой момент проинформирован о степени спелости овощей, не открывая холодильник. Кроме того, был разработан искусственный интеллект (AI) для обработки данных, собранных датчиками, и повышения точности результатов. ИИ может развиваться, научившись распознавать состояние других продуктов (например, мяса, рыбы, сыра), а также адаптируясь к вкусам и предпочтениям конечного пользователя. Наша бизнес-стратегия - конкурировать на разных рынках. Устройство не только пригодно для домашнего использования, но и может быть легко адаптировано для использования в промышленных приложениях (например, в холодильных камерах, контейнерах для пищевых продуктов и складских помещениях), обеспечивая мониторинг больших партий пищевых продуктов по невысокой цене.

The number of food products is increasing every year, with serious environmental, energy and ethical implications. A large percentage of this waste is generated directly in the homes of the end users. The main reason for this is food spoilage due to the activity of mold and bacteria. To solve this problem, a device has been developed that can monitor the ripening of vegetables using a multispectral sensor and a volatile compound (VOC) sensor. The device is designed to be installed inside a smart home refrigerator and to set the ripeness of vegetables. Thus, the end user can be informed at any time about the reduction rate of vegetables without opening the refrigerator. In addition, artificial intelligence (AI) has been developed to process the data collected by the sensors and improve the accuracy of the results. AI can evolve, learn to recognize the state of other foods (for example, meat, fish, cheese), and adapt to the tastes and preferences of the end user. Our business strategy is to compete in different markets. The device is not only suitable for home use, but can be adapted for use in industrial applications (for example, in cold rooms, food containers and warehouses), in the monitoring of large food products at low cost.

• Список иллюстраций
• Глава 1. Обзор литературы
  • 1.1 Спектрометрия ионной подвижности
  • 1.2 ИМС
  • 1.2 DTIMS
  • 1.3 High-FAIMS
  • 1.4 TWIMS
  • 1.5 Спектрометрия многомерной ионной подвижности – масс-спектрометрия.
  • 1.6 Спектрометрия гибридной ионной подвижности
  • 1.7 Применение спектрометрии ионной подвижности в безопасности пищевых продуктов
  • 1.8 ИМС и разделение изомеров и изобар
  • 1.9 Оценка свежести или порчи продуктов питания и хранения
• Глава 2. Концепция
  • 2.1 Существующие решения
    • 2.1.1 Определение зрелости продукта на основании содержания этилена
    • 2.1.2 Foodsniffer
    • 2.1.3 BlackBear
    • 2.1.4 Умная линия самообслуживания
  • 2.2 Сравнительный анализ
• Глава 3. Материалы и методы исследования
  • 3.1 Используемые датчики
  • 3.2 Прототип № 1
  • 3.3 Прототип № 2
  • 3.4 Схема аппаратного подключения. Шина I2C
  • 3.5 Сбор данных
  • 3.6 Анализ данных
  • 3.7 Методы классификации
• Результаты
• Экономическое обоснование
• Заключение
• Список литературы