Annonse

Bedre fettmåling gir fetere fortjeneste

Rendalen Kjøtt i Østerdalen bruker ny metode for å måle fettinnholdet i kjøttstykker. Det gir økt fortjeneste og bedre kontroll.

Publisert

Denne artikkelen er over ti år gammel og kan inneholde utdatert informasjon.

Rendalen Kjøtt i Østerdalen benytter en NIR-skanner som måler fettinnholdet i hele kjøttstykker. NIR står for “Nær infrarød spektroskopi”.

Skanningen har gitt dem helt nye muligheter til å kontrollere og styre fettandelen underveis. Besparelsene kommer både i form av bedre råvareutnyttelse, bedre kjøttkvalitet og mer effektiv produksjon.

- De testene vi har kjørt er lovende og når systemet blir riktig kalibrert er det mye å tjene på å ta det i bruk, sier fabrikksjef Ola Kværnes, Rendalen Kjøtt.

I forskningsprosjektet MeatAutoSort jobber forskerne med å forbedre og justere algoritmer for NIR-teknologi.

Fettet styrer prisen

Over hele verden fastsettes kjøttprisen ut fra fettinnholdet, jo mer fett desto lavere pris. Samtidig ønsker mange foredlingsbedrifter å kjøpe intakte avskjærsstykker, og stå for kverningen selv. Dermed øker behovet for å kunne gjøre eksakte målinger av fettprosenten også i hele stykker.

En spesialutviklet NIR-skanner som plasseres på transportbåndet gjør det mulig å måle fettinnholdet av intakte kjøttstykker i partier på opptil 200 kg mens de passerer på båndet. Dette gir langt bedre kontroll, fordi de som skjærer kjøttet får umiddelbar tilbakemelding på hvorvidt fettprosenten er som den skal være eller ikke. Er fettprosenten for lav, legges det på fetere stykker og visa versa til partiet har ønsket fettinnhold.

– Hos Rendalen Kjøtt er det koblet opp en monitor som kontinuerlig viser fettinnholdet i batchen under produksjon, forteller seniorforsker Jens Petter Wold hos Nofima. Han har vært med på å utvikle systemet sammen med Sintef IKT og QVision.

Tradisjonelle målemetoder er langt mer tungvinte. De krever at kjøttet kvernes og deretter etterjusteres fettinnholdet. Ønsker kundene hele avskjærsstykker, må det legges inn en sikkerhetsmargin som gjerne fører til et overskudd på fett og dermed en lavere salgspris.

Sparer millioner

NIR-skanning av intakte kjøttstykker gjør det langt enklere å optimere produksjonen, slik at fettinnholdet i batchene blir eksakte i forhold til ønskede grenser. Dette gir bedre utnyttelse av råvarene og mer effektiv produksjon. Jo tidligere i prosessen en slik sortering kan gjøres – desto bedre.

Intakte kjøttstykker har også andre fordeler fremfor kvernet kjøtt.

- Jeg ser ingen problemer med å få solgt hele stykker til kundene. Selv om det vil medføre noe merarbeid for dem, er det også klare fordeler. Kjøttets holdbarhet øker, svinnet minsker og risikoen for bakteriespredning reduseres. Samtidig vil våre besparelser bli ganske store fordi vi slipper selve kverneprosessen, sier fabrikksjef Kværnes.

Forsker frem kalibreringsalgoritmer

Algoritmene som skal til for å kunne estimere eksakt fettinnhold i hele kjøttstykker er utviklet av forskere på Nofima. Sentrale utfordringer i dette arbeidet er knyttet til kjøttets heterogenitet, høydeforskjeller på kjøttet, temperaturvariasjoner, effekter av strølys fra omgivelsene og kravet til fortløpende målinger.

Forskerteamet hos Nofima jobber også med å utvikle algoritmer for andre produkter.

– Et eksempel som drar nytte av muligheten for både avbildning og dybdemåling er i bruk hos Hitramat AS der matinnholdet i levende krabber måles mens de suser av gårde på transportbåndet, sier Wold.

Et annet eksempel er algoritmer som skanner sild for å skille mellom sild med og uten rogn og melke. Både rogn og melke inneholder ettertraktede helsekomponenter så etterspørselen for disse råstoffene forventes å øke i tiden fremover.

Fakta om forskningsprosjektet

MeatAutoSort er et brukerstyrt innovasjonsprosjekt (BIP) eid av Nortura SA. Aktive norske deltakere er Nofima, Sintef IKT, Animalia og QVision. Prosjektet er finansiert av Norges Forskningsråd, Nortura og QVision.

Utenlandske bedrifter som er med er VION (Nederland), FACCSA (Spania) og Marel (Island)
 

Powered by Labrador CMS