Towards e-noses for real-time baking monitoring: implementation on bread and scalability to pizza

The digital transformation of production processes (Industry 4.0) is increasingly reflected in smart domestic appliances, where embedded sensors and algorithms enable more intelligent and automated operation. This thesis, conducted in collaboration with ELECTROLUX®, proposes an electronic nose (e-nose) for the monitoring of baking of bread and bread-like products in high-end domestic ovens by analysing the changes in their odour profile during cooking. Specifically, this work firstly aimed at updating a previously developed bread cooking prediction model. This was done by acquiring a new bread dataset with a redesigned e-nose setup and by improving the processing pipeline for real-time cooking monitoring. The second aim was to evaluate the scalability of the trained model to other baking products, with a specific focus on pizza. To this end, a multi-recipe pizza dataset was acquired and used to assess model scalability and evaluate adaptations to improve the global model performance. The bread classification model was successfully developed with the redesigned hardware using the new bread training dataset. Amongst the various classification model algorithms tested, the SVM classifier was selected having the highest accuracy (i.e., 90.32%). The real-time model, with the improved processing pipeline, was successfully validated through sensory analysis sessions which proved that the real-time output corresponded to a product perceived as appropriately baked by human evaluators. Regarding scalability, the results obtained confirmed that the bread-trained model generalises well to related pizza products generating meaningful predictions without retraining. To conclude, the thesis outlines pathways to further optimise the model for pizza, aiming at more stable and precise results by including new algorithms in the processing pipeline software.

La trasformazione digitale dei processi produttivi (Industria 4.0) si riflette sempre più anche negli elettrodomestici smart, in cui sensori integrati e algoritmi permettono un funzionamento più intelligente e automatizzato. Questa tesi, svolta in collaborazione con ELECTROLUX®, propone l’utilizzo di un naso elettronico (e-nose) per il monitoraggio della cottura di pane e prodotti “bread-like” in forni domestici di alta gamma, analizzando le variazioni del profilo olfattivo durante il processo di cottura. In particolare, il primo obiettivo del lavoro è stato l’aggiornamento di un modello di previsione della cottura del pane sviluppato in precedenza. Ciò è stato realizzato acquisendo un nuovo dataset di curve di pane con un setup di e-nose riprogettato e migliorando la pipeline di elaborazione per il monitoraggio in tempo reale dello stato di cottura. Il secondo obiettivo è stato valutare la scalabilità del modello così addestrato ad altri prodotti da forno, con un focus specifico sulla pizza. A tale scopo è stato acquisito un dataset multi-ricetta di pizze, utilizzato per valutare la trasferibilità del modello e identificare possibili adattamenti per migliorarne le prestazioni complessive. Il modello di classificazione per il pane è stato sviluppato con successo sulla nuova configurazione hardware, utilizzando il nuovo dataset di addestramento. Tra i diversi algoritmi di classificazione testati, il classificatore SVM è stato selezionato come soluzione finale in quanto ha mostrato l’accuratezza più elevata (pari al 90,32%). Il modello in tempo reale, basato sulla pipeline di elaborazione migliorata, è stato validato tramite sessioni di analisi sensoriale, che hanno dimostrato come l’output del sistema corrisponda a un prodotto percepito come adeguatamente cotto dai pannellisti. Per quanto riguarda la scalabilità, i risultati hanno confermato che il modello addestrato sul pane sia generalizzile in modo soddisfacente a prodotti affini come la pizza, generando previsioni significative senza necessità di ri-addestramento. In conclusione, la tesi individua alcuni possibili sviluppi futuri volti a ottimizzare ulteriormente il modello per la pizza, con l’obiettivo di rendere le previsioni ancora più stabili e precise, anche tramite l’integrazione di nuovi algoritmi all’interno della pipeline di elaborazione.