Bien que le bœuf soit l’un des aliments les plus consommés dans le monde, le manger quand il a dépassé son apogée n’est pas seulement désagréable, mais présente également de graves risques pour la santé. Malheureusement, les méthodes disponibles pour vérifier la fraîcheur du bœuf présentent divers inconvénients qui les empêchent d’être utiles au public. Par exemple, l’analyse chimique ou les évaluations de populations microbiennes prennent trop de temps et nécessitent les compétences d’un professionnel. En revanche, les approches non destructives basées sur la spectroscopie proche infrarouge nécessitent un équipement coûteux et sophistiqué. L’intelligence artificielle pourrait-elle être la clé d’un moyen plus rentable d’évaluer la fraîcheur du bœuf?
Au Gwangju Institute of Science and Technology (GIST), en Corée, une équipe de scientifiques dirigée par les processeurs associés Kyoobin Lee et Jae Gwan Kim a développé une nouvelle stratégie qui combine l’apprentissage en profondeur avec la spectroscopie à réflectance diffuse (DRS), une technique optique relativement peu coûteuse. «Contrairement à d’autres types de spectroscopie, le DRS ne nécessite pas d’étalonnage complexe; à la place, il peut être utilisé pour quantifier une partie de la composition moléculaire d’un échantillon en utilisant simplement un spectromètre abordable et facilement configurable», explique Lee. Les résultats de leur étude sont maintenant publiés dans chimie alimentaire.
Pour déterminer la fraîcheur des échantillons de bœuf, ils se sont appuyés sur des mesures DRS pour estimer les proportions de différentes formes de myoglobine dans la viande. La myoglobine et ses dérivés sont les protéines principalement responsables de la couleur de la viande et de ses changements au cours du processus de décomposition. Cependant, convertir manuellement les mesures DRS en concentrations de myoglobine pour finalement décider de la fraîcheur d’un échantillon n’est pas une stratégie très précise – et c’est là que l’apprentissage profond entre en jeu.
Les réseaux de neurones convolutifs (CNN) sont des algorithmes d’intelligence artificielle largement utilisés qui peuvent apprendre à partir d’un ensemble de données pré-classifié, appelé « ensemble d’apprentissage », et trouver des modèles cachés dans les données pour classer les nouvelles entrées. Pour former le CNN, les chercheurs ont recueilli des données sur 78 échantillons de bœuf au cours de leur processus d’altération en mesurant régulièrement leur pH (acidité) aux côtés de leurs profils DRS. Après avoir classé manuellement les données DRS en fonction des valeurs de pH comme « fraîches », « normales » ou « gâtées », ils ont alimenté à l’algorithme l’ensemble de données DRS étiqueté et ont également fusionné ces informations avec des estimations de myoglobine.
En fournissant à la fois de la myoglobine et des informations spectrales, notre algorithme d’apprentissage profond formé pourrait classer correctement la fraîcheur des échantillons de bœuf en quelques secondes dans environ 92% des cas. »
Jae Gwan Kim, Processeur associé, GIST
Outre sa précision, les points forts de cette nouvelle stratégie résident dans sa rapidité, son faible coût et sa nature non destructive. L’équipe pense qu’il est possible de développer de petits appareils spectroscopiques portables afin que chacun puisse facilement évaluer la fraîcheur de son bœuf, même à la maison. De plus, des techniques similaires de spectroscopie et de CNN pourraient également être étendues à d’autres produits, comme le poisson ou le porc. À l’avenir, avec un peu de chance, il sera plus facile et plus accessible d’identifier et d’éviter les viandes douteuses.
La source:
GIST (Institut des sciences et technologies de Gwangju)
Référence du journal:
Shin, S., et coll. (2021) Méthode spectroscopique rapide et non destructive pour classer la fraîcheur du bœuf à l’aide d’un réseau spectral profond fusionné avec des informations sur la myoglobine. Chimie alimentaire. doi.org/10.1016/j.foodchem.2021.129329.
