Licht dat aflatoxine ziet: prof. Lien Smeesters over fotonica in de voedingsindustrie

Introductie

Alexander Platteeuw, A+ Quality:

Stel je voor, het gif in je maïskolf is uiteraard onzichtbaar. Geen geur, geen smaak, geen kleur. Een kankerverwekkend schimmeltoxine, verstopt in één maïskorrel tussen duizenden andere.

Vandaag vinden we dat pas in een labo, met chemie, met reagentia, met een staal dat we vernietigen, dagen later, op één korrel die toevallig in dat potje zat. Maar wat als je datzelfde toxine gewoon kon zien? Niet met chemie, maar met licht.

Niet één staal, maar elke korrel van de maïskolf. Niet na drie dagen, maar in real time. Geen kilo's afval dus, maar nul waste.

En straks niet in een labo, maar in een handscanner of zelfs in je eigen keuken. Mijn gast van vandaag bouwt precies dat. Zij schijnt licht door ons voedsel en leest af wat het ons probeert te vertellen.

En als zij gelijk krijgt, dan is de manier waarop we vandaag een analyse uitvoeren of laten uitvoeren, straks geschiedenis. Welkom bij Better FoodSafe Than Sorry. Ik ben Alexander Platteeuw van A+ Quality. Mijn gast van vandaag is professor doctor ingenieur. Zij is fotonica-ingenieur van opleiding en behaalde in 2016 haar doctoraat aan de VUB, de Vrije Universiteit Brussel, met een onderzoek met een titel die meteen de toon zet: Improving Food Safety with Optical Screening. Sinds 2023 is ze docent bij, ik hoop dat ik het juist uitspreek, bij B-PHOT, Brussels Photonics, aan de faculteit ingenieurswetenschappen van de VUB.

Haar werk balanceert op het kruispunt van licht, data en voedsel. Zij ontwikkelt optische sensoren en spectroscopische systemen die kankerverwekkende stoffen in ons voedsel opsporen. Denk aan aflatoxines in maïs of het risico op acrylamidevorming in gebakken producten.

Snel, accuraat en zonder de gezonde producten te beschadigen of chemicaliën te gebruiken. Dat onderzoek is internationaal bekroond. Onder meer met de Photonics21 Student Innovation Award en de BiR&D-prijs, ik hoop dat ik het ook juist uitspreek, voor wetenschap en technologie.

Vandaag combineert ze die optica met machine learning en werkt ze samen met de industrie via het Europese PhotonHub-programma. En was ze in 2025 hoofdauteur van een internationale roadmap voor fotonica voor de agrofoodsector. Ik ben nu al onder de indruk en het interview moet nog beginnen.

Lien Smeesters, van harte welkom bij Better FoodSafe Than Sorry. Lien, je bent fotonica-ingenieur, zoals ik al zei. Je opleiding gaat dus over licht, lasers, optica.

Hoe ben je dan in hemelsnaam bij de voedingssector en bij voedselveiligheid terechtgekomen? Was er een moment waarop je dacht: hier moet ik iets oplossen?

Lien Smeesters, Brussels Photonics:

Ja, inderdaad. Ik heb eerst de master fotonica gevolgd, voluit Master of Science in Photonics Engineering, ook aan de Vrije Universiteit Brussel. En binnen dat programma zijn er natuurlijk de basisvakken, zoals microfotonica, lasers, optische materialen, maar daar wordt ook heel veel aandacht besteed aan de toepassingsgebieden.

Dus ik vond het sowieso al een heel leuk idee en concept om met die fotonicakennis iets te gaan doen dat ook maatschappelijke impact zou hebben. Op het einde van mijn master kreeg ik dan de kans om te werken aan een toen door VLAIO gefinancierd project, samen met TOMRA Sorting, rond toxinedetectie in voeding. En dat sprak mij heel erg aan, omdat we net die fotonica, die optische sensoren, gingen toepassen op een praktisch probleem.

Wat ziet licht in voedsel?

Alexander Platteeuw, A+ Quality:

Ja, interessant. Nu, voor heel wat van onze luisteraars, denk ik, vrees ik, is optische spectroscopie een beetje een black box. Kun je eens uitleggen, bijvoorbeeld aan een productieleider in een voedingsbedrijf, waarover we juist spreken? Wat ziet een straal licht in een voedingsproduct dat een chemische analyse niet ziet?

Lien Smeesters, Brussels Photonics:

Ja, inderdaad. Dus met optische spectroscopie gaan we ons product heel simpel verlichten met licht. Dus we nemen een lichtbron, dat kunnen lasers zijn, ledjes, en we schijnen daarmee op ons product.

Waarom gaat dat interageren? Dat is omdat onze lichtbron fotonen uitzendt, lichtdeeltjes die een bepaalde energie hebben. En die gaan interageren met de moleculaire structuur.

Nu, hoe gebeurt dat? Daarvoor moeten we even terugdenken aan onze chemielessen. Dus alle materie rond ons is opgebouwd uit moleculen, en die bestaan uit atomen.

En elk atoom heeft een kern met daarrond elektronen. Die elektronen kunnen zich op bepaalde energieniveaus bevinden. Dus als dat energieniveau matcht met het energieniveau van onze fotonen, onze lichtdeeltjes, dan gaat het licht daarmee interageren.

En dan kunnen er verschillende interacties optreden. Het licht kan gewoon geabsorbeerd worden, maar het kan ook eerst geabsorbeerd worden en dan nieuwe lichtdeeltjes uitzenden, zoals bij fluorescentie of ramanspectroscopie. Wat wij doen, is kijken hoe ons licht met het product interageert.

En op basis daarvan maken we dan detectiealgoritmes.

Individuele maïskorrels scannen

Alexander Platteeuw, A+ Quality:

Nou, fascinerend. Ik wist niet dat ik nog mijn oude lessen chemie ging bovenhalen in deze podcast. Nu, je bekendste doorbraak draait om het scannen van die individuele maïskorrels, zoals ik al zei in mijn inleiding, op aflatoxines, dus de kankerverwekkende schimmeltoxines.

Nu, vandaag werkt men in de industrie op basis van steekproeven. We nemen dus een staal, we nemen liefst meerdere stalen. We hopen dat dat dan representatief is voor een batch, voor een volledig schip.

We vernietigen die stalen. En jij komt dan met een techniek waarbij je zegt: wij scannen elke korrel van dat schip. Niet destructief, by the way.

Waarom is dat geen incrementele verbetering, maar een fundamenteel andere manier van denken over risico?

Lien Smeesters, Brussels Photonics:

Ja, omdat we momenteel zien dat mycotoxines, zoals aflatoxines, nog altijd in onze voedselketen terechtkomen. Als we kijken naar bijvoorbeeld de food recalls in België, mycotoxines zitten daar altijd bij. En dat komt net omdat de samples die genomen worden dikwijls geen goede representatie vormen van de contaminatie in de volledige batch.

De mycotoxines, aflatoxines, zijn heel lokaal aanwezig op het product en in de batch, waardoor we nu met de chemische analyses altijd een gemiddelde contaminatie meten, terwijl onze technologie toelaat om op elke korrel individueel de contaminatie te bepalen. Dat is veel nauwkeuriger en laat toe om zowel voedsel veiliger te maken, want we kunnen de toxines accurater detecteren, maar ook om voedselverspilling tegen te gaan. Want nu wordt een hele batch gewoon verwijderd, vernietigd, als er een gecontamineerd staal is, terwijl als we de korrels individueel screenen, we alle niet-gecontamineerde maïskorreltjes nog steeds kunnen gebruiken.

Acrylamide voorspellen

Alexander Platteeuw, A+ Quality:

Ja, duidelijk. Nu, een andere vervelende molecule is ook al even vermeld geweest: acrylamide. Productie van koekjes, aardappelchips enzovoort.

Daar doe je iets bijna contra-intuïtiefs. Je meet niet de schadelijke stof zelf, maar je voorspelt het risico dat ze zal ontstaan, nog voor die aardappel de friteuse ingaat. Hoe werkt dat juist en wat doet dat met onze filosofie van meten is weten?

Want je bent zogezegd iets aan het meten dat nog moet gebeuren.

Lien Smeesters, Brussels Photonics:

Ja, inderdaad. Dus eerst misschien even aangeven dat acrylamide een kankerverwekkende stof is die ontstaat in zetmeelrijke producten bij verwerking op hoge temperatuur. Zoals bijvoorbeeld het frituren van onze aardappelen om lekkere frietjes te maken.

Dat is een hogetemperatuurreactie en tijdens die reactie treedt een maillardreactie op die zorgt voor die acrylamidevorming. Diezelfde reactie zorgt ook voor de kleur van de frietjes, dus er wordt heel veel gesorteerd op kleur om die stof te detecteren. Nu, dat is geen een-op-eenmapping, en als de frietjes te donker zijn, dan moet je die ook weer weggooien.

Dus wat wij gedaan hebben, is kijken welke elementen in de rauwe aardappel net voor die acrylamidereactie zorgen, net zorgen dat er te veel acrylamide gevormd wordt. En dat zijn bijvoorbeeld het watergehalte, de zetmelen, reducerende suikers, asparagine. Dus dan zijn we een model gaan maken dat op basis van de samenstelling van de rauwe aardappel voorspelt hoeveel acrylamide er gevormd gaat worden.

Dat zorgt er dan voor dat we de goede aardappelen kunnen selecteren en dat de aardappelen die ongeschikt zijn voor het frituren nog altijd gebruikt kunnen worden voor lagetemperatuurprocessen, zoals bijvoorbeeld puree, waar die acrylamide dan niet gevormd wordt.

Alexander Platteeuw, A+ Quality:

Ja, dus vroeger in het proces ingrijpen eigenlijk.

Lien Smeesters, Brussels Photonics:

Inderdaad.

Alexander Platteeuw, A+ Quality:

Om het proces dus efficiënter te laten verlopen met minder waste. Daar zijn we weer. Ja, oké.

Machine learning zonder black box

Alexander Platteeuw, A+ Quality:

Nu, jij combineert je sensoren meer en meer ook met machine learning, deep learning. Wat kan die combinatie wat optica alleen niet kan? En even belangrijk: waar zitten de grenzen? Ik verklaar mij nader: hoe voorkomen we dat we een black box aan het bouwen zijn, die wel een antwoord uitspuwt, maar die bij een audit achteraf niemand kan verdedigen of verklaren?

Ja, het is het algoritme dat iets geproduceerd heeft.

Lien Smeesters, Brussels Photonics:

Ja, inderdaad, dat is heel belangrijk en dat is een fout die nu heel veel gemaakt wordt. Heel veel bedrijven, heel veel ook academische onderzoeksgroepen hebben veel data en die denken dat machine learning alles kan oplossen. Ja, dat is niet zo.

Het toepassen als een black box is geen goed idee. Daarom zetten wij heel dikwijls in op interpreteerbaarheidsalgoritmes. Dus we passen het algoritme toe, maar dan kijken we wel: welke data heeft tot welke conclusie geleid?

Zoals bij de spectra: welke golflengte heeft het model eigenlijk voornamelijk gebruikt? Soms is het zelfs zo dat als we een golflengte weggooien, het resultaat beter wordt, net omdat daar die natuurlijke variatie in zit. Dus we proberen het echt wel te linken aan onze spectra en aan de fysische eigenschappen van het product.

Nu, los daarvan is het gebruik van machine learning en AI ook heel belangrijk geworden voor spectroscopie en heeft dat wel significante verbeteringen meegebracht op het vlak van detectielimiet. Dus we zien: vroeger konden we de aflatoxine al detecteren, maar het was eerder een “het is er aanwezig, het is er niet aanwezig”, we hadden een vrij hoge detectielimiet. Nu, met het gebruik van machinelearningalgoritmes, kunnen we onze detectielimiet laten zakken.

Kunnen we ook beter verschillende soorten toxines van elkaar onderscheiden? Kunnen we naar generiekere algoritmes gaan, die ook de achtergrondsignalen meer in rekening brengen? Dus in dat opzicht heeft machine learning zeker zijn voordelen en moet het zeker verder ontwikkeld worden, maar niet als black box.

Alexander Platteeuw, A+ Quality:

Ja, liefst niet natuurlijk, want daar zouden wel eens problemen kunnen ontstaan bij een inspectie van het FAVV of iets dergelijks. Oké, dat zou je zeggen: goed geprobeerd, maar wat zit daarachter?

Van labo naar handscanner

Alexander Platteeuw, A+ Quality:

Nu, veel van de technologie die je vermeldt, zit nog in onderzoekslabs. Anderzijds spreek je ook al over draagbare handheldtoestellen en je hebt zelfs ooit gedroomd van een compacte kwaliteitstest in de gewone keuken bij ons thuis. Hoe ver staat de wetenschap op dat vlak?

Lien Smeesters, Brussels Photonics:

Ja, het is inderdaad zo dat er nog heel veel in onderzoekslabs gebeurt. We zien al hyperspectraalcamera's in sommige bedrijven verschijnen. Nu, er is veel meer dan dat.

Die werken enkel op reflectiespectroscopie. Wij werken ook op andere soorten spectroscopie: fluorescentie, raman. Ik denk dat er de laatste jaren heel veel vooruitgang is geboekt in de ontwikkeling van nieuwe geminiaturiseerde sensoren.

Ook naar hoogvermogenledjes, die compactere units mogelijk maken. Ook aan een schappelijkere prijs, laat ons zeggen. Vroeger was het zo dat je voor fluorescentie en raman dikwijls hoogvermogenlasers nodig had, en heel gevoelige detectieapparatuur.

Met nu de beschikbaarheid van hoogvermogenledjes en compactere spectrometermodules is het wel realistischer en realiseerbaarder om die systemen ook werkelijk in industriële toepassingen te implementeren. Hopelijk betaalbaarder ook. Ledjes zijn sowieso al veel goedkoper dan lasers.

De laatste jaren is er echt een grote diversiteit aan spectroscopiemodules ontwikkeld. Die zijn nu beschikbaar, maar we zien dat die nog niet gebruikt worden in agri- en foodtoepassingen. Dus we zien: er zijn heel veel meer sensoren op de markt gekomen.

De ledjes zijn ook op de markt gekomen, dus de tools zijn er, maar dat wordt nu eigenlijk gepusht vanuit de technologiebedrijven, vanuit de industriekant, terwijl er bij agri- en food nood is aan een custom implementatie, aan iemand die die implementatie ook werkelijk mogelijk maakt en dat echt gaat toepassen op de agri- en foodproducten, omdat dat toch heel uitdagende producten zijn.

Alexander Platteeuw, A+ Quality:

En dat is dan de rol die jullie aan de VUB willen vervullen, die schakel zijn, om dat toepasbaar te maken?

Lien Smeesters, Brussels Photonics:

Ja, inderdaad. Dus we werken heel veel samen met bedrijven, net omdat heel veel agri- en foodbedrijven hun weg niet meer vinden in de hele diversiteit aan sensoren die beschikbaar is. Er zijn heel veel hyperspectraalcamera's, je hebt nu ook de handheldsensoren; het is voor hen moeilijk om hun weg te vinden tussen die sensoren.

Dus wij proberen daar een oplossing voor te bieden, en echt een oplossing op maat van het bedrijf. We hebben daar ook een Europees project voor, PhotonHub, dat je ook in het begin aanhaalde, waarbij we zowel training geven aan bedrijven, dus we hebben daar een democenter rond fotonica en food, maar we hebben ook gesubsidieerde innovatieprojecten.

Alexander Platteeuw, A+ Quality:

Dus een bedrijf kan met een staal van zijn product bij jullie langskomen om daar demo's of testen op te doen?

Lien Smeesters, Brussels Photonics:

Dat is een eerste test, dus we hebben een democenter, dus een dag, typisch met vijf, zes bedrijven. Dat is dus niet custom voor het bedrijf zelf, maar dan tonen we wat alle verschillende spectroscopische technologieën zijn, wat het verschil is met de off-the-shelf hyperspectraalcamera's, maar we tonen zowel fluorescentiespectroscopie, scattering, verschillende licht-materie-interacties. Bedrijven kunnen hun samples meebrengen en dan voeren we daar ook een test op uit. Uiteraard kan dat niet confidentieel zijn, dan is dat gewoon een eerste spectrum, maar als het bedrijf dan verdere interesse heeft in een feasibilitystudie, dan kan dat ook in een innovatieproject binnen PhotonHub, waarbij feasibilitystudies volledig gefinancierd worden voor kleine en middelgrote bedrijven.

Feasibilitystudies tot 40.000 euro worden volledig gedekt door PhotonHub. Voor grotere projecten, waarbij we ook naar implementatie kunnen gaan, naar systeemkalibratie, naar validatie, ook tot bij de bedrijven zelf in line, zitten we met een financieringsgraad van boven de 85%.

Voedselfraude en authenticiteit

Alexander Platteeuw, A+ Quality:

Mooi, mooi. We hebben het tot nu toe gehad over toxines, food safety, gevaren, maar je werk gaat verder dan dat. Ik denk ook aan voedselfraude en authenticiteit van grondstoffen, detectie van vreemde voorwerpen, stukjes glas en takjes bij noten, zei je mij in het gesprek dat we hiervoor hadden, kwaliteit van water, enzovoort.

Persoonlijk, als ik je zo bezig hoor, dan denk ik: amai, de mogelijkheden zijn eigenlijk nog ongekend. Kan je een concreet voorbeeld geven van hoe men vandaag al rond voedselfraude, wat toch een serieus probleem is, snel opsporingswerk kan doen met jouw technieken?

Lien Smeesters, Brussels Photonics:

Ja, dus voor de voedselfraude gaan we op dezelfde manier te werk. Dus we kijken opnieuw naar de interactie van licht met het product, en daarbij hebben we bijvoorbeeld bieren onderzocht, Belgische bieren. Dat past een beetje bij de wafeltjes en de frietjes, maar daarbij zijn we gaan kijken hoe we Belgische bieren kunnen onderscheiden van niet-Belgische bieren.

Een andere casestudie was rond Toscaanse olijfolie. Er wordt veel meer Toscaanse olijfolie verkocht dan er geproduceerd wordt. Dus ook dat is een heel gekend probleem.

Maar ook honing, die wordt aangelengd. Dus dan onderscheiden we echt authentieke honing van aangelengde honing. Dus dat is ook zeker mogelijk.

De technologie beperkt zich niet enkel tot contaminaties en toxines, dus het is ook mogelijk om echt naar productkwaliteit en authenticiteit te kijken.

De internationale roadmap 2025

Alexander Platteeuw, A+ Quality:

Ja, ik denk dat er een paar nu al de oren spitsen. Zeer goed. Even terug naar de internationale roadmap 2025, waarvan je hoofdauteur was, over fotonica voor de agrovoeding.

Als je die routekaart nu eens vertaalt naar een food safety manager die vandaag aan het luisteren is: wat is realistisch binnen vijf jaar en waar zou mijn publiek nu al rekening mee moeten houden?

Lien Smeesters, Brussels Photonics:

Ja, die roadmap hebben we inderdaad tot stand gebracht vanuit de academische wereld, maar hij is ook gedragen door industriële partners. Dus het was een samenwerking waarbij we alle mogelijke aspecten rond fotonica voor agri- en food wilden benadrukken, ook omdat de agri- en foodsector een van de sectoren is waar we een enorme groei zien in de opname van fotonicatechnologieën. Dus dat wilden we daarmee ook benadrukken.

Nu, de toepassingen en de uptake die we zien, gaan naar geminiaturiseerde sensoren. Systeemminiaturisatie komt daar heel erg in aan bod, maar ook uitbreiding naar andere spectrale gebieden en andere spectroscopische technologieën. We zien dat nu al: de uitbreiding van zichtbare hyperspectraal naar nabij-infrarood hyperspectraal, maar ook daar gaan we nog een stap verder naar andere golflengtegebieden, zoals thermische camera's, maar ook UV komt daar heel erg in aan bod.

Ook andere soorten sensoren, zoals bijvoorbeeld optische vezelsensoren, daar is een heel hoofdstuk over, die temperatuur kunnen meten en die eventueel ook in een netwerk gebruikt kunnen worden. Typisch is er nu één fotonicasensor in een bedrijf, maar eigenlijk kun je sensoren ook in een soort netwerk gebruiken of kun je verschillende sensoren in modules implementeren. Dus dat is dan een beetje het multimodale sensorconcept dat daar ook in aan bod komt.

En dan is er uiteraard heel veel aandacht voor AI, machine learning, de voordelen, de nadelen, maar dan ook de implementatie naar digital twins, dus eigenlijk om bedrijven echt te ondersteunen, niet enkel aan de hardware- en sensorkant, maar ook in de digitalisering van hun volledige productieketen.

Van publicatie naar erkende methode

Alexander Platteeuw, A+ Quality:

Ja, mooi. Dus ja, no time to lose, zou ik zeggen, aan de luisteraar. Nu even advocaat van de duivel, want mijn luisteraars moeten morgen de zoveelste audit ondergaan.

Een mooie sensor in een labo, dat is nog iets anders dan een gevalideerde, geaccrediteerde methode die standhoudt als de certificeerder of het FAVV langskomt. Hoe gaan we die kloof overbruggen tussen “dat is zeer mooi in een publicatie” en “het is toegelaten als officiële controlemethode”? Wat heb jij van de industrie nog nodig om die kloof te overbruggen?

Lien Smeesters, Brussels Photonics:

Inderdaad, dat is een beetje een probleem nu, omdat alle regelgeving, alle wetgeving gebaseerd is op die chemische analyses. Als je naar de Europese regels kijkt: daar staat in hoeveel samples je moet nemen, waar je die moet nemen, en dat is puur gebaseerd op chemische technologie. Uiteraard staat er morgen geen fotonicasensor bij, zo snel gaat dat helemaal niet.

Het is ook moeilijk om die aan elkaar te linken, want met onze fotonicasensor meten we lokaal, chemische analyses meten het gemiddelde, dus een-op-eenvalidatie is moeilijk. Echter zie ik wel dat de fotonicasensoren eerst een ondersteunende rol kunnen hebben om beter samples te nemen, om gerichter stalen te nemen en contaminanten te detecteren, en later ook als een officiëlere validatietechnologie, nadat bewezen is dat ze hetzelfde resultaat kunnen geven als de chemische analyses. Dus ik zie op korte termijn meer sensorimplementatie in de agri- en foodindustrie, die toelaat om alles te screenen, die toelaat om defecten te detecteren, die dan nog steeds naar chemische labo's worden gestuurd ter validatie, maar waarbij je dan wel ziet: nu is er iets veranderd in mijn productstroom, hier neem ik beter een staal, zodat ik zeker ben dat er geen contaminanten aanwezig zijn. Dus dan gaan ze elkaar versterken, wat op zich ook al heel positief kan zijn. En zodra de sensoren meer een gevestigde waarde krijgen, gaan ze als een soort wisselwerking tussen optische en chemische validatie gebruikt worden.

En dan kunnen we op termijn gaan denken: als we altijd hetzelfde resultaat krijgen met onze optische technologie, dan zouden ze eventueel ook de chemische analyses voor een deel kunnen vervangen, zodat de chemische analyses enkel nog nodig zijn voor echt een ground truth value, voor kalibratie, waarbij we onze sensoren correct kunnen instellen.

Alexander Platteeuw, A+ Quality:

En hoe zie je de regelgever al meegaan in jullie hele verhaal? Want tot nu toe zegt de regelgever: ik bepaal het wel.

Lien Smeesters, Brussels Photonics:

Ja, ik denk dat als meer bedrijven de technologie gaan gebruiken, die dan automatisch meer zichtbaarheid gaat krijgen en dat die dan ook een belangrijkere rol gaat spelen in de voedselveiligheid. Ik denk wel dat er uiteraard een kalibratieprocedure nodig gaat zijn en dat we dan ook moeten meedoen aan bijvoorbeeld de testen die er nu ook zijn voor chemische analyses, om aan te tonen dat je de juiste concentratie meet op gekalibreerde stalen. Maar ik denk wel dat zodra er meer gebruik van is, zo'n procedure zich ook gaat opdringen.

Alexander Platteeuw, A+ Quality:

Ja, dus een beetje een push vanuit de industrie richting regelgever, van: jongens, zo meten wij het, zo kan het ook. Ja, ik dacht daar ook iets over na. Oké, oké, goed, duidelijk.

Een boodschap voor de toekomst

Alexander Platteeuw, A+ Quality:

Je roadmap heeft als ondertitel: naar een duurzamere en gezondere planeet. Achter elke techniek zit dus een grotere ambitie: gezond, voedzaam en veilig voedsel voor iedereen, niet alleen voor wie het zich kan veroorloven. Als je in één boodschap iets mag meegeven aan de volgende generatie ingenieurs en aan de voedingsindustrie van vandaag, over de rol die licht daarin gaat spelen, wat is die boodschap dan?

Lien Smeesters, Brussels Photonics:

Ik denk dat lichttechnologie een heel ondersteunende rol kan spelen in de digitalisering en de automatisering van productstromen, kan bijdragen tot betere kwaliteitsmonitoring en vermindering van afvalstromen, maar als grootste boodschap zou ik ook willen aanhalen dat daarvoor meer samenwerking nodig is tussen de verschillende stakeholders. Nu is het dikwijls zo dat sensoren ontwikkeld worden. Er is al een waaier aan sensoren beschikbaar, maar de agri- en foodindustrie is zich niet bewust van alle mogelijke capaciteiten.

Ze vertrouwen misschien te veel op AI-tools, of op AI-tools die niet specifiek voor hun toepassing geschreven zijn. Dus ik denk dat er een betere wisselwerking moet zijn tussen de verschillende stakeholders: de mensen die de AI-tools ontwikkelen, de agri- en foodsector zelf en ook de technologieontwikkelaars, en natuurlijk ook de technologiepartners en academische partners, zodat iedereen beter begrijpt wat de specifieke noden zijn en we een vlottere uptake van de technologie kunnen bewerkstelligen.

Alexander Platteeuw, A+ Quality:

En daar kunnen jullie dan een faciliterende rol in spelen.

Lien Smeesters, Brussels Photonics:

Ja, inderdaad, graag.

Alexander Platteeuw, A+ Quality:

Perfecte conclusie voor dit zeer verhelderende gesprek. Lien Smeesters, dank je wel, voor het werk dat je doet en voor het idee dat we voedselveiligheid niet alleen veiliger, maar ook toegankelijker kunnen maken. Misschien is de toekomst van ons vak inderdaad simpel: gewoon het licht aandoen.

Dit was alweer Better FoodSafe Than Sorry. Vergeet niet om je te abonneren en deze aflevering te liken. Geef sterren als je via Spotify luistert.

En tot een volgende aflevering.