Μια ομάδα ερευνητών από το Πανεπιστήμιο του Μπάρι και του Μιλάνου έχει αναπτύξει και δοκιμάσει ένα σύστημα μη καταστροφικής ανάλυσης με βάση χημειομετρικές προσεγγίσεις και προσεγγίσεις τεχνητής νοημοσύνης εφαρμόζεται στην υπέρυθρη φασματοσκοπία, για την αξιολόγηση της ποιοτικό εξαιρετικό παρθένο ελαιόλαδο γρήγορα, βιώσιμα και σε χαμηλό κόστος.
Η μελέτη, που δημοσιεύτηκε στο περιοδικό Χημεία τροφίμων, προτείνει ένα πρωτόκολλο ικανό να εκτίμηση της συγκέντρωσης αιθυλεστέρων λιπαρών οξέων, βασικοί δείκτες για την ποιότητα και αυθεντικότητα του εξαιρετικού παρθένου ελαιολάδου.
Επί του παρόντος, αυτή η παράμετρος προσδιορίζεται χρησιμοποιώντας αέρια χρωματογραφία, μια αξιόπιστη αλλά πολύπλοκη, αργή και δαπανηρή διαδικασία που απαιτεί τη χρήση χημικών αντιδραστηρίων και εξοπλισμένων εργαστηρίων.
Η νέα μέθοδος χρησιμοποιεί και αξιολογεί, αντ' αυτού, τις πληροφορίες που λαμβάνονται από τη φασματοσκοπία FT-IR, ένα είδος δακτυλικού αποτυπώματος του προϊόντος, μέσω πολυπαραμετρικής ανάλυσης και μοντέλων μηχανικής μάθησης ικανών να εντοπίσουν συσχετίσεις αόρατες στο ανθρώπινο μάτι.
L 'πιο αποτελεσματικός αλγόριθμος, βασισμένο στην τεχνική XGBoost, χάρη και στη χρήση εργαλείων τεχνητής νοημοσύνης που μπορούν να εξηγηθούν, επιτρέπει τον εντοπισμό και την ερμηνεία των φασματικών περιοχών που σχετίζονται περισσότερο με την παρουσία αιθυλεστέρων.
Τα ευρήματα συμβάλλουν έτσι στην αλλαγή παραδείγματος που επηρεάζει τον έλεγχο της ποιότητας στην αλυσίδα εφοδιασμού τροφίμων, και ειδικότερα τον τομέα του ελαιολάδου και του ελαιόλαδου, ο οποίος εξακολουθεί να είναι ένας από τους τομείς που πλήττονται περισσότερο από νοθεία και απάτη εις βάρος των καταναλωτών.
Αυτή η τεχνολογία, στην πραγματικότητα, Θα επιτρέψει τη δραστική μείωση του χρόνου και του κόστους της ανάλυσης, τη μείωση των περιβαλλοντικών επιπτώσεων που συνδέονται με τις παραδοσιακές μεθόδους και την ταχεία διερεύνηση μεγαλύτερων ποσοτήτων δειγμάτων., παρέχοντας μια άμεση, αξιόπιστη ένδειξη συμμόρφωσης του προϊόντος.
Παρόλο που η προσέγγιση δεν αντικαθιστά ακόμη την επίσημη μέθοδο, μπορεί να γίνει αμέσως ένα αποτελεσματικό προκαταρκτικό εργαλείο για παραγωγούς, ελαιοτριβεία, κοινοπραξίες και φορείς πιστοποίησης. «Η φιλοδοξία μας» εξηγεί ο επιστημονικός διευθυντής του έργου METRDOFOOD-IT για το Πανεπιστήμιο του Μπάρι, Καθηγήτρια Σαμπίνα Τανγκάρο, «είναι να παρέχουμε στον τομέα του ελαιολάδου ένα έξυπνο, γρήγορο και βιώσιμο εργαλείο, ικανό να βελτιώσει ουσιαστικά τις διαδικασίες ποιοτικού ελέγχου.» Ο συνδυασμός της φασματοσκοπίας και της τεχνητής νοημοσύνης έχει τη δυνατότητα να φέρει επανάσταση σε αυτόν τον τομέα, καθιστώντας τις δοκιμές πιο προσιτές και αποτελεσματικές.
Η ερευνητική ομάδα εργάζεται ήδη για την επέκταση του πειραματικού συνόλου δεδομένων και την επέκταση της μεθοδολογίας σε άλλες παραμέτρους ποιότητας του εξαιρετικού παρθένου ελαιολάδου, όπως η οξύτητα, ο αριθμός υπεροξειδίων και η περιεκτικότητα σε φαινόλες, με στόχο την ανάπτυξη ενός ολοκληρωμένου συστήματος ικανού να προσφέρει μια ολοκληρωμένη αξιολόγηση προϊόντος.
Το αποτέλεσμα αποτελεί επίσης μέρος του έργου METROFOOD-IT, στο οποίο το Πανεπιστήμιο του Μπάρι διαδραματίζει στρατηγικό ρόλο στη μελέτη και εφαρμογή μοντέλων τεχνητής νοημοσύνης που εφαρμόζονται στον αγροδιατροφικό τομέα, συμβάλλοντας στην ανάπτυξη προηγμένων εργαλείων για την αξιολόγηση και τον ποιοτικό έλεγχο της παραγωγής τροφίμων.
