Utvikler ny klassifiseringsmetode for sau og lam

Å forutsi slakteskrottenes utbytte av kjøtt, fett og bein er klassifiseringens mål. Ingen klassifiseringssystemer klarer dette direkte. De bruker indirekte mål, det vil si måler ting som er sterkt korrelert til utbyttet. For å beskrive hvor godt klassifiseringssystemet er, bruker vi begrepet forklaringsevne målt i prosent og gjennomsnittlig feil i anslag for klasse, fettgruppe eller kjøttprosent.

EUROP klassifiseringssystem ble innført i 1996. Systemet er et skjønnsbasert system hvor trente klassifisører fastsetter 1) slaktets kategori, ut fra kjønn og alder, 2) klasse ut fra slaktets kroppsform og 3) fettgruppe ut fra slaktets fethetsgrad. Siden klassen bestemmes ut fra slaktekroppens form og det ytre fettlaget, vil ikke dagens klasseangivelse skille direkte mellom kjøtt og fett. Fettgruppe blir derfor et korrektiv til klassen og skiller fete og magre slakt uavhengig av kroppsformen.

Subjektiv og objektiv vurdering

I EUROP er alle normer subjektive. Klassen fastsettes ut fra en visuell vurdering av bestemte linjer på slaktet, om disse linjene har en konveks, rett eller konkav form. Denne måten å bedømme slakt på har en forklaringsevne for utbyttet av kjøtt og bein i slaktet på ca. 70 prosent. Når denne forklaringsgraden ikke er høyere, så skyldes det først og fremst at systemet ikke har god nok evne til å skille mellom hva som er kjøtt og fett. Fettgruppen i EUROP har en høyere forklaringsgrad – 70-80 prosent. Variasjonen i slaktenes fethetsgrad er større enn variasjonen i klassen.

I subjektive systemer er en avhengig av at systemet praktiseres så nøyaktig som mulig. Det oppstår lett variasjon som ikke er ønskelig. Det kan utvikle seg forskjeller mellom klassifisører, og selv den enkelte klassifisørens avgjørelser kan umulig bli helt lik fra dag til dag. Dette har forårsaket noe misnøye blant saueprodusentene. Alle parter ønsker et mindre subjektivt klassifiseringssystem og større stabilitet i resultatene.

Kjøtt- og beininnhold

Kjøtt, fett og bein har svært ulik verdi. Kjøtt har høy verdi, og i tillegg varierer den med muskelgruppe på slaktet. Fett har i gjennomsnitt lav verdi. Noe fett er allikevel ønskelig, og ikke minst har fettet en viktig fysiologisk rolle så lenge dyret lever. I et nytt klassifiseringssystem er målet at systemet er så godt at slaktets innhold av kjøtt, fett og bein bestemmes både nøyaktig, enkelt og rimelig i økonomisk forstand.

Vi ønsker også at systemet på en god måte klarer å skille kjøtt med ulik verdi. Det er naturligvis problematisk å skille alle vevstyper fra hverandre, også kjøtt og bein. For storfe og småfe kan variasjonen i slaktenes beininnhold være fra 13 til 33 prosent. En del av denne variasjonen er at slakt med høyt kjøttinnhold har lavt beininnhold. Men også slakt med samme kjøttinnhold viser variasjon i beininnhold. Og dette har økonomisk betydning for bonden.

Bestemmelse av fethetsgrad

Fastsettelse av slaktenes fettinnhold er svært krevende og vil være det mest utfordrende i MeatCrafter-prosjektet. Vanlige bilder eller video er ikke bra nok fordi et fargekamera ikke vil klare å skille fett fra annet lyst vev. Fettfarge på slakt endrer seg avhengig av tiden som har gått fra avlivning til måling (størkning av fett). Et fargebilde vil heller ikke kunne si noe om tykkelsen på fettlaget, noe som er nødvendig for å fastsette fettgruppe.

I MeatCrafter-prosjektet vil NIR-spektroskopi bli benyttet for å fastsette fettgruppe, da det er en tydelig forskjell mellom kjøtt og fett ved enkelte infrarøde bølgelengder. Fettmålingen skal utvikles slik at den gir mest mulig informasjon om tykkelse og fettinnhold. Her kan målepunktet vise seg å være avgjørende. Målingen bør skje der variasjonen er størst. Her finnes flere muligheter.

SINTEF har allerede vist at NIR-målinger gir lovende resultater og gir fethet med en forklaringsgrad på over 90 prosent i stykker av lam.

Målefeil

Alle systemer har målefeil, og målefeilene vil alltid variere. Størrelsen på målefeilen defineres i forhold til klassifiseringssystemenes mål. I dagens klassifiseringssystem gjelder det for slakteriene å gjøre disse feilene så små som mulig gjennom god internkontroll. For objektive systemer vil målefeilene være godt kjent. Tilfeldige målefeil forventes å bli mindre, men det blir viktig å følge opp de objektive systemene slik at det ikke oppstår mer systematiske feil. Alle systemer krever vedlikehold og oppfølging, og nye systemer vil også kreve internkontroll.

FAKTA:

MEATCRAFTER

MEATCRAFTER er et treårig innovasjonsprosjekt som startet opp i august 2017. Konsortiet består av ni deltagere; SINTEF, Zivid, Meats, Bokken, Fatland, Nortura, Norsk Sau og Geit, Animalia og Nortura Totalmarked. Totalmarked eier prosjektet mens Animalia er prosjektleder. Prosjektet har en kostnadsramme på 15,6 mill. kr.

Prosjektet mottar støtte fra Fondet for forskningsavgift på landbruksprodukter (FFl) og styret for forskningsmidler over jordbruksavtalen (jA).

Fatland og Nortura skal være verter for framtidig utprøving av systemet. SINTEF og Zivid bidrar med måleinstrumenter og -kompetanse. Meats er leverandør av slakteterminaler og er påtenkt rollen som forhandler av det framtidige systemet, og sørger for sammenkobling med dagens informasjonssystemer på slaktelinjene. Bokken har slakteteknisk kompetanse og skal lage utstyr som plasserer slaktene i riktig posisjon foran måleinstrumentene. Animalia leder prosjektet og skal være med på å lage det nye klassifiseringssystemet.

FAKTA:

Tidligere forsøk med objektive systemer

Flere firmaer har laget systemer som har vært testet ut på sau og lam i Norge tidligere. I flere år ble et videosystem fra tyske E+V testet ut på Rudshøgda. I 2005 forsøkte vi med et GP-instrument, tilsvarende som for gris. Og rundt årtusenskiftet ble Ultrafom fra Carometec i Danmark prøvd ut. Ingen av systemene er blitt tatt i bruk. Videosystemet fra E+V var det beste systemet og helt akseptabelt for klassefastsettelse, men fastsettelse av fettgruppe var ikke tilfredsstillende.