Hyperspectral- og multispectral imaging sammen med kunstig intelligens som ikke-destruktiv metode for kvalitetsvurdering av atlantisk laks (Salmo Salar L.).

Bacheloroppgaven har gått ut på å kartlegge muligheten for bruken av kunstig intelligens (KI) sammen med ikke-destruktive metoder som Hyperspectral Imaging (HSI) og Multispectral Imaging (MSI) for å predikere kvalitetsparametre til laksefileter. Dette blir gjort ved å benytte dekontamineringsstrategier hentet fra Dekolaks som case for å fremprovosere kvalitetsforskjeller og ha et tilgjengelig datasett for å teste KI-modellene. Formålet med utførelsen var å forbedre bærekraft innen laksenæringen ved å potensielt bidra til en raskere ikke-destruktiv kvalitetsvurdering, reduksjon av svinn og økt effektivitet. For å undersøke dette ble det testet to ulike KI-modeller. Modellen Random Forest Regression (RFR) ble forkastet på grunn av lave R^2- verdier, mens modellen Partial Least Squares Regression (PLSR) hadde R^2 = 0.89 og Root Mean Squared Error of Prediction (RMSEP) = 0.48 Log CFU/g for kimtall. En høy R^2 -verdi sammen med en lav RMSEP-verdi indikerte at PLSR-modellen i kombinasjon med HSI og MSI var best egnet til predikasjon av kimtall. For predikasjon av H-verdi viste modellen sammen med MSI-data en R^2 = 0.84 og RMSEP = 9 % for H-verdi. I predikasjon av H-verdi er det derimot knyttet usikkerhet til vurderingen av egnethet da datasettet bestod av få datapunkter. Totalt sett indikerte resultatene fra forsøket et lovende potensial for bruk av bildeteknologi i kombinasjon med KI som en rask og ikke-destruktiv metode for predikasjon av kvalitetsparametre. Dette gjaldt særlig for kimtall, men også i en viss grad for H-verdi. Som et delmål i bacheloroppgaven skulle arbeidet gi innsikt i hvordan ulike dekontamineringsstrategier påvirket kvalitet til laks. Her viste analyser en trend der behandling med dypp i løsning ga størst utslag. Dette kom antagelig fra en mer direkte behandling som påvirket laksefiletens overflate rett etter behandling. Behandling med spray av løsning gjennom dyse viste ingen signifikant forskjell mellom løsninger og kontrollprøver. For behandling med dypping ble det observert at de mest konsentrerte løsningene av H_2 O_2 (0,5 % og 1,5 %) ga signifikant effekt på resultater av H-verdi, Inosin og Hypoxantin. Dette indikerte at behandling med dypp og bruk av ozon ga mindre effekt sammenliknet med H_2 O_2, i henhold til sterkere konsentrasjoner.

The aim of this bachelor's thesis has been to map the potential use of artificial intelligence (AI) together with non-destructive methods such as Hyperspectral Imaging (HSI) and Multispectral Imaging (MSI) to predict quality parameters of salmon fillets. This achieved by using decontamination strategies from Dekolaks as a case to provoke quality differences and to obtain a dataset for testing AI models. The purpose of the work was to improve sustainability in the salmon industry by potentially contributing to faster non-destructive quality assessment, reduction of waste, and increased efficiency. To investigate this, two different AI models were tested. The first one was Random Forest Regression (RFR), which was discarded due to low R^2 values. The second was Partial Least Squares Regression (PLSR), which had a R^2 = 0.89 and Root Mean Squared Error of Prediction (RMSEP) = 0.48 Log CFU/g for total viable count. A high R^2 value together with a low RMSEP value indicated that the PLSR model in combination with HSI and MSI was best suited for predicting total viable count. For prediction of H-values, the model together with MSI data showed an R^2 = 0.84 and RMSEP = 9 %. For the prediction of H-value, however, there is uncertainty related to the assessment of suitability, as the dataset consisted of few data points. Overall, the results from the experiment indicated a promising potential for the use of imaging technology in combination with AI as a rapid, non-destructive, method for predicting quality parameters. This was particularly evident for total viable count, but also to some extent for H-value. As a subgoal in the thesis, the work was to provide insight into the effect different decontamination strategies had on the quality of salmon. Here, analyses showed a trend where treatment by dipping in solution had the greatest impact on bacterial growth, especially in the early stages after treatment. This was likely due to a more direct treatment that affected the surface. Treatment with spray of solution through nozzle showed no significant difference between solutions and control samples. For dipping treatment, it was observed that the most concentrated solutions of H_2 O_2 (0.5 % and 1.5 %) had a significant effect on the results of H-value, Inosine, and Hypoxanthine. This indicated that dipping treatment and the use of ozone had less effect compared to H_2 O_2 ,according to stronger concentrations.