Het paspoort van je banaan in één klik: voedsel traceren met AI en citizen science

Voedselfraude is een groeiend wereldwijd probleem, vooral bij hoogwaardige en dure producten zoals saffraan, vanille, olijfolie en biologische producten. Zo blijken “biologische” bananen uit Ecuador soms helemaal niet biologisch te zijn, maar simpelweg verkeerd gelabeld. Vaak is het motief puur financieel, waarbij goedkope producten tegen een hogere prijs worden verkocht. Maar soms zijn de risico’s serieus, bijvoorbeeld wanneer alcohol wordt vervangen door gevaarlijke methanol. Daarom zoeken importeurs en inspectiediensten wereldwijd naar slimmere manieren om frauduleuze producten sneller te detecteren. “Alleen al in Europa wordt de schade door voedselfraude geschat op 8 tot 12 miljard euro per jaar,” zegt onderzoeker Yamine Bouzembrak.

Voor Bouzembrak maakt de vraag hoe kunstmatige intelligentie (AI) kan bijdragen aan veilig en eerlijk voedsel deel uit van zijn dagelijkse werk. Het idee om AI-technologieën te koppelen aan citizen science om voedselfraude op te sporen ontstond toen een collega hem wees op iNaturalist, een online sociaal netwerk waar gebruikers wereldwijd foto’s en informatie over biodiversiteit delen.

Yamine maakt gebruik van een zogenoemd convolutioneel neuraal netwerk (CNN), dat leert patronen te herkennen in kleur, vorm en textuur van bananen, “vergelijkbaar met hoe mensen dingen met het oog herkennen,” legt hij uit. “Toen realiseerde ik me dat zo’n systeem ook voor voedselproducten zou kunnen werken.” Zijn team traint nu een prototype met duizenden bananenfoto’s om subtiele regionale verschillen te herkennen. Dat is belangrijk, omdat traditionele laboratoriumtests duur en tijdrovend zijn.

Het onderzoek is pas een paar maanden geleden gestart en begon op kleine schaal. Via iNaturalist vroegen Bouzembrak en zijn collega’s gebruikers om foto’s van bananen uit twintig landen te uploaden, samen met basisinformatie zoals het land van herkomst. Na het verzamelen en verwerken van de beelden gebruikte het team de data om de eerste versie van het model te trainen en te valideren. Vervolgens testten zij dit door het model uitsluitend op basis van een foto de herkomst van een banaan te laten voorspellen. “De nauwkeurigheid was verrassend hoog, boven de tachtig procent,” zegt Bouzembrak. “Dat is veelbelovend, maar voor een bruikbaar prototype streven we naar minstens vijfennegentig procent.”

Bouzembrak presenteerde zijn idee onlangs op de International Food Fraud Conference. De reacties varieerden van enthousiast tot enigszins terughoudend. “Een van de vragen was of AI de laboratoriumanalyse gaat vervangen,” vertelt hij. Dat is een begrijpelijke zorg, maar volgens Bouzembrak in dit geval niet van toepassing. “Met een AI-systeem als dit kun je sneller bepalen welke partijen bananen extra aandacht verdienen. Inspecteurs en laboratoria blijven essentieel om fraude definitief vast te stellen.”

Het AI-model fungeert vooral als een slimme voorselectie. “In plaats van elk monster naar het lab te sturen, kunnen inspecteurs snel zien welke partijen verdacht zijn. Zo worden dure testen gereserveerd voor producten met het hoogste risico.” En wanneer een zaak voor de rechter komt, blijft laboratoriumonderzoek altijd noodzakelijk als formeel bewijs.

Wat is de volgende stap in dit veelbelovende onderzoek? Het prototype is nog niet volledig betrouwbaar en Bouzembrak wil verder kijken dan bananen alleen. “Omdat het AI-model met foto’s werkt, is het vooral geschikt voor dure producten met herkenbare visuele kenmerken,” legt hij uit. Producten zoals saffraan, vanille of noten zijn geschikt voor beeldherkenning, omdat ze duidelijke visuele variatie vertonen. “Saffraan is bijvoorbeeld een zeer kostbare specerij, van 3.000 tot 10.000 euro per kilo, die vaak niet van authentieke herkomst blijkt te zijn.”

Voor vloeibare producten ligt dat anders. “Bij olijfolie of honing is het veel moeilijker om de herkomst via foto’s te bepalen, omdat ze te weinig variatie laten zien.” In de komende periode onderzoeken de onderzoekers welke producten het meest geschikt zijn voor opname in de app. Nauwkeurigheid blijft daarbij een belangrijk aandachtspunt. “Tachtig procent zekerheid is mooi, maar ons doel is minstens vijfennegentig procent.”

In de komende maanden wil Bouzembrak peilen bij importeurs, inspecteurs en andere partijen die dagelijks met voedselfraude te maken hebben of er belangstelling is om de applicatie verder te ontwikkelen. “Mijn focus ligt op het wetenschappelijk onderzoek,” zegt hij, “maar ik hoop via een publiek-private samenwerking financiering te vinden om het project verder te brengen.” Zijn uiteindelijke doel is dat een start-up of andere private partij de applicatie op de markt brengt.

De potentiële impact reikt overigens verder dan het opsporen van fraude. “Op de lange termijn zouden vergelijkbare AI-technieken ook kunnen helpen bij het beoordelen van versheid of kwaliteit,” voegt Bouzembrak toe. “Zo kan de technologie uitgroeien tot een breed toegankelijk hulpmiddel dat consumenten helpt om betere, betrouwbaardere en eerlijkere keuzes te maken.”

University of Twente, The Netherlands, MISTEA, INRAE, France