ในปัจจุบันนี้ มีการแบ่งความนุ่มออกเป็นระดับต่างๆ เพื่อใช้เป็นดัชนีมูลค่าของเนื้อในท้องตลาด เพื่อแบ่งระดับสำหรับการนำไปบริโภค เพื่อตอบสนองต่อความต้องการ รวมถึงให้คำแนะนำแก่ผู้บริโภค ตัวอย่างเช่น

            1.กระทรวงการเกษตรประเทศสหรัฐอเมริกา (U.S. Department of Agriculture; USDA) ได้แบ่งความนุ่มของเนื้อออกเป็น 3 ระดับ ได้แก่ USDA Prime, USDA Choice, USDA Select ตามลำดับความนุ่มจากมากไปน้อย (1) 

            2.ระบบคะแนนเนื้อลายหินอ่อนของประเทศญี่ปุ่น (Japanese Beef Marbling Score; BMS) มีการกำหนดคะแนนของเนื้อจาก 1 หมายถึง เนื้อที่ไม่มีไขมันแทรก มีความนุ่มน้อยที่สุด ไปจนถึงระดับ 12 ซึ่งหมายถึง เนื้อที่มีไขมันลายหินอ่อนแทรกมากที่สุดและมีความนุ่มมากที่สุด โดยกำหนดว่าระดับ 8-12 จะถูกจัดอยู่ในกลุ่ม A5 เป็นต้น (2) 

            3.มาตรฐานเนื้อของประเทศออสเตรเลีย (Meat Standard Australia; MSA) กำหนดการให้คะแนนตั้งแต่ 100 หมายถึง ไม่มีไขมันแทรกในเนื้อ ไปจนถึง 1190 ซึ่งหมายถึง มีปริมาณไขมันสูง รวมถึงยังมีการกำหนดระดับของเนื้อโดยใช้คุณภาพอื่นๆ ด้วยนอกจากความนุ่ม ได้แก่ สี ความลึกของชั้นไขมัน น้ำหนักซากสัตว์ ความสมบูรณ์ เป็นต้น (2) 

            อย่างไรก็ตาม การวัดความนุ่มของเนื้อด้วยวิธีดั้งเดิมนั้น ใช้การวัดจากค่าแรงเฉือนสูงสุดจากการทดสอบตัดเนื้อโดยใช้หัววัดแบบมีใบมีด (3) นั้นไม่สะดวกนักเนื่องจากใช้เวลาในการวิเคราะห์นาน รวมถึงต้องเตรียมตัวอย่าง และเสียตัวอย่างนั้นไปอีกด้วย จึงได้มีการคิดค้นพัฒนาเทคนิค Hyperspectral imaging เพื่อใช้ในการทำนายและวิเคราะห์ความนุ่มของเนื้อ โดยในวันนี้เราจะไปหาคำตอบกันว่า วิธีการนี้คืออะไร สามารถใช้วิเคราะห์ความนุ่มของเนื้อได้แม่นยำเพียงใด ใช้เวลาวิเคราะห์เร็วขึ้นมากเพียงใด และสามารถนำมาใช้กับอุตสาหรรมเนื้อทดแทนวิธีในปัจจุบันได้หรือไม่

            Hyperspectral imaging คือการวิเคราะห์ลักษณะโครงสร้างซึ่งจะได้ลักษณะของผิวเนื้อซึ่งเป็นภาพแบบ 2 มิติ และลักษณะเฉพาะทางชีวเคมีซึ่งจะได้ภาพแบบ 3 มิติ วิเคราะห์ควบคู่กับภาพวิดีโอ จึงทำให้สามารถระบุถึงตำแหน่งการกระจายตัวขององค์ประกอบทางที่ต้องการศึกษาในตัวอย่างเนื้อได้ เพื่อให้ได้ข้อมูลภาพ 3 มิติ ที่เรียกว่า hyperspectral cube หรือ hypercube และนำไปสร้างแบบจำลอง คัดเลือกคลื่นความยาวที่เหมาะสม (4)  และนำข้อมูลที่ได้ไปวิเคราะห์ถึงองค์ประกอบทางเคมีต่างๆ

           และเนื่องจากความนุ่มเป็นคุณสมบัติของกล้ามเนื้อ (ไขมันไม่มีค่าความนุ่ม) จึงมีการศึกษาผลของปริมาณไขมันในเนื้อต่อความแม่นยำของวิธีการนี้ (3) ด้วยการทดลองกำจัดไขมันในปริมาณ 75%, 50%, 25%, 0%  เพื่อเปรียบเทียบความแม่นยำของเทคนิค hyperspectral imaging และได้ผลว่าไขมันไม่มีผลต่อความแม่นยำของการทำนายความนุ่มของเนื้อ จึงสามารถสรุปได้ว่าวิธีการนี้มีประสิทธิภาพและความแม่นยำสูงมาก รวมถึงสามารถวัดค่าความนุ่มของเนื้อได้ภายในเวลาไม่กี่วินาทีเท่านั้น

            ซึ่งแน่นอนว่าทุกวิธี มีทั้งข้อดีและข้อเสีย ซึ่งเทคนิค hyperspectral imaging นี้มีข้อเสีย คือ เป็นระบบที่มีต้นทุนสูง และหลักการมีความซับซ้อน จึงจำเป็นต้องมีการฝึกอบรมความรู้และความเข้าใจของพนักงานในสายการผลิต อย่างไรก็ตาม เทคนิคนี้ถือว่าเป็นเทคโนโลยีใหม่สำหรับวงการอุตสาหกรรมอาหาร ซึ่งสามารถพัฒนาและต่อยอดไปได้อีกมาก ซึ่งปัจจุบันนี้มีแนวโน้มที่อุปกรณ์จะราคาถูกลง อันเป็นโอกาสสำหรับบริษัทขนาดกลาง-เล็ก ให้สามารถเข้าถึงเทคโนโลยีที่มีประสิทธิภาพและสามารถช่วยผลิตอาหารที่มีความปลอดภัยตามมาตรฐานได้ไม่แพ้บริษัทใหญ่

ตัวอย่างการประยุกต์ไปใช้ในโรงงานอาหาร ได้แก่

            1.การตรวจสิ่งแปลกปลอมในสายการผลิต เช่น วัตถุดิบที่มีการปนเปื้อนของรา หรือพลาสติก (5) 

            2.การตรวจรอยรั่วหรือฉีกขาดของบรรจุภัณฑ์อาหาร  (5) เนื่องจากบรรจุภัณฑ์ที่มีการฉีกขาด อาจะเป็นทางเข้าของจุลินทรีย์ที่ทำให้อาหารเสื่อมคุณภาพ เน่าเสีย หรืออาจก่อโรคซึ่งเป็นอันตรายต่อสุขภาพผู้บริโภคได้

            นอกจากการใช้ในการประเมินคุณภาพของอาหารแล้ว ยังสามารถใช้ในการตรวจวัตถุแปลกปลอมในสายการผลิต หรือประยุกต์ไปใช้ด้านอื่นๆ ได้ทุกอุตสาหกรรม เช่น เกษตรกรสามารถใช้ตรวจติดตามการเจริญเติบโตและสุขภาพของพืชในไร่ ใช้ตรวจติดตามการเจริญและพัฒนาระบบเตือนภัยสำหรับโรคระบาดองุ่นในออสเตรเลีย (6)  นักธรณีวิทยาใช้ในการระบุแร่ธาตุจากภาพถ่ายทางอากาศ การสำรวจปริมาณน้ำมันดิบใต้ผิวโลก การรั่วของแก๊สธรรมชาติจากท่อ หรือในด้านการแพทย์ใช้สำหรับการตรวจติดตามการทำงานของหลอดเลือดต่างๆ ในร่างกายจากการวิเคราะห์องค์ประกอบทางชีวเคมี เป็นต้น

            ทางอิโตะ ไทยแลนด์ ร่วมกับผู้ผลิตอาหาร มุ่งมั่นในการพัฒนาเทคโนโลยีเพื่อสังคมอาหารปลอดภัย เพื่อความสุขของผู้บริโภค เพื่อการรับประทานอาหารได้อย่างปลอดภัย ไร้กังวล และเรานำเสนอมาตรการเพื่อปรับปรุงสุขอนามัยในโรงงานอาหาร การฝึกอบรมพนักงานอย่างมืออาชีพ รวมถึงให้บริการหลังการขายอย่างครบวงจร

เอกสารอ้างอิง

1.Mindy Ward. Beef quality grades explained [Internet]. 2021 [cited 13 Mar 2022]. Available from https://www.beefmagazine.com/beef-quality/beef-quality-grades-explained

2.Meat N’ Bone. Beef Grading 201: How the world grades beef [Internet] 2018 [cited 13 Mar 2022]. Available from https://meatnbone.com/blogs/the-clever-cleaver/meat-beef-grading-system-understanding

3.Cluff, K., G. K. Naganathan, J. Subbiah, A. Samal and C.R. Calkins. 2013. Optical scattering with hyperspectral imaging to classify longissimus dorsi muscle based on beef tenderness using multivariate modeling. Meat Science. 95: 42-50.

4.Barbin, D. F., G. ElMasry, D. Sun and P. Allen. 2012. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging. Analytica Chimia Acta. 719: 30-42.

5.Vincent Markiet. Benefits of Hyperspectral Imaging for Food Quality Assurance [Internet]. 2021 [cited 13 Mar 2022]. Available from https://www.advian.fi/en/blog/benefits-of-hyperspectral-imaging-for-food-quality-assurance

6.Lorente, D., N. Aleixos, J. Gómez-Sanchis, S. Cubero, O. L. García-Navarrete and J. Blasco. 2012. Recent Advances and Applications of Hyperspectral Imaging for Fruit and Vegetable Quality Assessment. Food and Bioprocess Technology. 5 (4): 1121-1142.