Servono a valutare la qualità sulla base di un’immagine, esaminando la totalità del prodotto al fine di individuare possibili anomalie. Si intrecciano sistemi già collaudati, come i raggi x, con quelli di nuova concezione come l’imaging iperspettrale, i modelli di deep learning, il Dna barcoding
Il controllo qualità ha un ruolo centrale nell’industria alimentare. L’esecuzione da parte del personale è sempre meno fattibile, perché le quantità da esaminare sono eccessive. L’impiego del personale è antieconomico e il processo è altamente soggetto a errori e non riproducibile. Questo ha dato origine al controllo automatico della qualità, che è vitale per un’ampia varietà di processi produttivi. Uno dei controlli automatici della qualità più diffusi è rappresentato dai sistemi di ispezione visiva. Tuttavia, essi, in genere, valutano il prodotto da testare sulla base di un’immagine statica. Nuove tecniche assicurano la valutazione dell’alimento anche in movimento.
Garantire la qualità e la sicurezza dei prodotti è particolarmente cruciale per la trasformazione dei prodotti alimentari e agricoli. L’ispezione visiva è sempre più utilizzata dalle aziende alimentari per garantire al fine linea un prodotto in regola con gli standard fissati dalle aziende e con le normative. Consente di evitare gli sprechi, protegge l’azienda da eventuali reclami e dal ritiro dei prodotti non conformi. Gli strumenti più utilizzati sono le selezionatrici ponderali, i metal detector, completi di dispositivi di scarto, i raggi X e i sistemi di ispezione visiva. Un sistema di visione artificiale utilizza una o più telecamere, collegate a un software per l’elaborazione delle immagini. Consente di rilevare errori di etichettatura, sia di scrittura che di posizionamento, la lettura di codici, caratteri, tipi di font, in confezioni di diverse forme. È possibile quindi ispezionare la totalità del prodotto, individuare anomalie, come tappi mancanti, etichette errate o incomplete, il livello di riempimento delle confezioni ecc. Per una migliore ispezione, un software può variare il grado di illuminazione e la disposizione delle fotocamere.
I sistemi di selezione basati su sensori sono impiegati con successo per identificare e separare prodotti alimentari con determinate proprietà indesiderate, ma sono limitati in termini di difetti che possono essere rilevati. Un approccio alternativo sono i cosiddetti sistemi basati sull’acustica da impatto. Al posto dei sensori di immagini, vengono utilizzati microfoni per analizzare l’emissione acustica del prodotto da ispezionare durante un impatto con un altro corpo rigido. Diversi lavori hanno dimostrato con successo come tali sistemi possano essere utilizzati per la rilevazione di danni interni mediante l’analisi del segnale acustico. Tuttavia, uno dei principali inconvenienti di questo sistema è la sua mancanza di scalabilità in termini di throughput (quantità di dati trasmessi in una unità di tempo). Ciò è principalmente dovuto al fatto che è necessario un singolo sensore, ad esempio un microfono, per ciascun oggetto da testare contemporaneamente. Molto probabilmente per questo motivo, i sistemi di selezione acustica a impatto, per il momento, sembrano essere più di interesse scientifico che industriale.
Raggi X in continua evoluzione
I raggi X sono spesso utilizzati per rilevare la presenza di contaminanti come vetro, metallo, pietre minerali, plastica ad alta densità nei prodotti confezionati. Possono essere impiegati anche per identificare difetti in alimenti freschi come frutta e verdura. In alcuni prodotti ortofrutticoli, le infezioni fungine che avvengono alla fine del processo di maturazione provocano solo lievi alterazioni dell’aspetto e della consistenza della superficie del prodotto. L’ispezione visiva e tattile da parte degli operatori richiede molto tempo, è laboriosa e soggettiva. La scansione della linea a raggi X si è dimostrata un metodo vantaggioso per il rilevamento del marciume in molti prodotti ortofrutticoli, grazie alla sua velocità di acquisizione dei dati e all’indicazione del marciume interno da parte di regioni luminose nelle immagini associate. Tuttavia, in alcuni casi è possibile vedere solo scarse variazioni di contrasto, con conseguente bassa rilevabilità mediante l’elaborazione tradizionale delle immagini. Diversi studi hanno testato l’efficacia di un modello di rilevamento non distruttivo che utilizza la segmentazione semantica basata sull’apprendimento profondo nell’identificare di marciume della frutta nell'ispezione post-raccolta.
Imaging iperspettrale per il controllo qualità
L’imaging iperspettrale è una tecnica di misura che permette di acquisire, per ogni punto di una immagine, l’informazione dell’intero spettro. Questa tecnica combina la tecnologia dell’imaging convenzionale (visione artificiale), la radiometria e la spettroscopia per ottenere simultaneamente informazioni sia spaziali che spettrali da un campione. L’imaging iperspettrale è potenzialmente praticabile per l’indagine sulla qualità degli alimenti. Sono infatti numerosi gli articoli disponibili sull’applicazione di questa tecnica per l’analisi della qualità di prodotti alimentari a base liquida e semiliquida, carne, pollame e pesce, frutta e verdura, per il rilevamento di microrganismi, inclusi quelli psicrotrofi, in alimenti conservati a freddo, salumi, formaggi e cereali. L’imaging iperspettrale può generare sia una mappa spaziale che una variazione spettrale. I dati raccolti costituiscono una struttura tridimensionale composta da una dimensione spettrale e due dimensioni spaziali denominate “ipercubi” o “cubo di dati”. La combinazione della tecnologia di imaging con la spettroscopia, rende possibile acquisire diverse informazioni dell’oggetto testato (dimensioni, geometria, aspetto, colore) attraverso l’estrazione delle caratteristiche dell’immagine, così come le proprietà o i costituenti chimici. I vantaggi dell’utilizzo dell’imaging iperspettrale per la valutazione della qualità degli alimenti sono molteplici: è una tecnologia non distruttiva, non a contatto e non invasiva; è sicura per l’ambiente, in quanto non vengono utilizzate sostanze chimiche; fornisce una migliore comprensione degli elementi chimici contenuti negli alimenti; fornisce una corretta selezione dell’area di interesse critico per l’analisi dell’immagine; raggiunge simultaneamente informazioni spettrali e spaziali per fornire dati più accurati e appropriati riguardanti i costituenti chimici del campione.
Nonostante i suoi vantaggi, l’imaging iperspettrale presenta anche alcune limitazioni. Ha un prezzo elevato rispetto ad altre tecniche di elaborazione delle immagini. A causa delle grandi dimensioni dei dati dell’imaging iperspettrale sono necessari hard disk di grande capacità per l’archiviazione dei dati e computer ad alta velocità per la loro elaborazione. Durante l’acquisizione dell’immagine, i segnali potrebbero essere influenzati dall’ambiente circostante come illuminazione, dispersione, etc., producendo quindi uno scarso rapporto segnale/rumore. L’identificazione e il rilevamento di vari elementi all’interno della stessa immagine utilizzando dati spettrali è solitamente difficile, tranne per il fatto che i diversi oggetti hanno caratteristiche di assorbimento diverse.
Modelli di Deep learning
L’utilizzo di reti neurali artificiali (ANN) nell’industria alimentare consente di raccogliere e monitorare un’infinità di dati, da utilizzare per la classificazione e il controllo dei prodotti. Si tratta di modelli matematici di calcolo che imitano il meccanismo di funzionamento del sistema nervoso umano per risolvere problemi. Il potenziamento è avvenuto anche grazie all’avvento del deep learning (DL), un sistema di elaborazione dati, che consente di elaborare i dati con un criterio gerarchico. Il deep learning può essere utilizzato nella classificazione degli alimenti, per prevedere le calorie, per individuare gli ingredienti dalle immagini. Ad esempio, i modelli di deep learning hanno portato a un enorme passo avanti in un’ampia gamma di attività di visione artificiale, tra cui la classificazione e la quantificazione dei difetti interni nella frutta utilizzando la TC a raggi X. Tuttavia, lo sviluppo di questi modelli richiede in genere grandi set di dati annotati il cui ottenimento non è semplice. Nel caso di prodotti alimentari variabili, come quelli ortofrutticoli, la disponibilità di frutti difettosi è imprevedibile e non è chiaro se i frutti disponibili nel set di dati siano rappresentativi di tutti i possibili difetti. L’articolo “Dati sintetici per la TC a raggi X di frutti di pera sani e disordinati utilizzando il deep learning” (“Synthetic data for X-ray CT of healthy and disordered pear fruit using deep learning” Astrid Tempelaere, Tim Van De Looverbosch, Klaas Kelchtermans, Pieter Verboven, Tinne Tuytelaars, Bart Nicolai Postharvest Biology and Technology Volume 200, giugno 2023) ha proposto un metodo per aggirare questi problemi generando immagini TC sintetiche, utilizzando una rete generativa avversa (cGAN) condizionale che apprende la distribuzione dei valori di grigio per diverse classi (“tessuto sano”, “imbrunimento interno”, “sfondo, nucleo e cavità”) in immagini di pere annotate manualmente. Le prestazioni del predittore sono state valutate mediante metriche quantitative e ispezione visiva. Per generare nuovi dati sintetici, le operazioni vengono suggerite e testate su dati annotati per creare la maggior variazione possibile nelle pere generate. La Fréchet Inception Distance (FID) e le osservazioni visive hanno mostrato che il cGAN era efficace nella traduzione da immagine a immagine, generando immagini TC di frutta sana e disordinata in base alle loro annotazioni.
DNA Barcoding e ispezione visiva
Il Dna barcoding, ovvero “codice a barre” del Dna, è una tecnica che sfrutta sequenze geniche, dette marcatori molecolari, uniche e specifiche per ogni specie animale, vegetale e per i microorganismi. Questa tecnica sta diventando un importante strumento per le aziende agroalimentari, perché permette di certificare materie prime di origine animale e vegetale e individuare contaminazioni e sostituzioni accidentali o fraudolente. Il Dna barcoding può essere utilizzato dalle aziende alimentari sia per selezionare i fornitori che per garantire l’autenticità del prodotto sul mercato. La tecnica può essere utilizzata in combinazione con l’ispezione visiva, come dimostrato dallo studio: “Rilevazione dell'ingrediente Salmonidae utilizzando il codice a barre mini-DNA in combinazione con un metodo di ispezione visiva rapida” (“Detection of Salmonidae ingredient using mini-DNA barcoding in conjunction with a rapid visual inspection method”, FeiYanjin, Xue Hanyue, Xiong Xiong, Yang Ying, Wang Libin, Xiong Xiaohui Journal of Food Composition and Analysis Tomo 118, maggio 2023). Nello studio si legge che l’utilizzo di specie al di fuori dei Salmonidi per preparare prodotti a base di salmone è un tipo di frode in molti Paesi. C’è quindi la necessità di stabilire metodi adeguati per uno screening rapido. Lo studio ha selezionato il gene Cytb mitocondriale come bersaglio e ha sviluppato un nuovo test di Dna barcode per identificare l’utilizzo di salmone nei prodotti ittici trasformati. I risultati hanno mostrato che il nuovo metodo è altamente specifico per il rilevamento dei salmonidi. Con l’inclusione dell’analisi HRM (High Melting Resolution), è possibile fare un’accurata differenziazione di Salar salar, Oncorhynchus mykiss, e le altre specie di Oncorhynchus catturate in natura. Inoltre, è possibile ottenere un rilevamento visivo a provetta chiusa anche mediante la preaggiunta di HNB (blu di idrossinaftolo) e SYTO 9 nella miscela di reazione, consentendo un modo semplice e rapido per distinguere il positivo dal negativo.
Stefania Milanello
Esperta in impianti alimentari e divulgatrice scientifica
