I settori in cui l’intelligenza artificiale può fare la differenza sono molti: dall’approvvigionamento di materie prime all’agricoltura di precisione, dalle diverse fasi produttive alla rintracciabilità, dalla logistica in tutte le sue fasi fino alla catena distributiva.
Il rapporto tra intelligenza artificiale e settore agroalimentare si fa sempre più stretto e riguarda diverse tematiche: il miglioramento della capacità produttiva, il minor consumo di risorse, la creazione di una agricoltura sempre più sostenibile, una maggiore sicurezza alimentare.
Quando si parla di intelligenza artificiale si parla di dati in arrivo dal settore agricolo, dalla produzione, dalla logistica e dai trasporti, dal mondo della ricerca e della distribuzione, e di collegamento fra questi. L’utilizzo dell’intelligenza artificiale sta portando e porterà al settore agroalimentare un’innovazione basata sulla conoscenza sempre più precisa e focalizzata sulle diverse realtà produttive.
AI e agricoltura di precisione
L’agricoltura di precisione è una realtà sempre più presente nel mondo agricolo italiano. Migliaia di dati riguardanti la mappatura dei terreni, combinati con quelli delle previsioni metereologiche, dello storico dei raccolti precedenti, grazie all’intelligenza artificiale sono analizzati e forniscono informazioni preziose per una agricoltura adatta alle diverse condizioni ambientali e strutturali.
L’intelligenza artificiale, che combina reti neurali e un controllo predittivo basato sui dati, può essere utilizzata per migliorare l’efficienza energetica e ottimizzare la crescita delle colture, prevedere con precisione il clima interno di coltivazioni agricole in ambiente controllato e lo stato delle colture, sulla base di dati di controllo, inclusi quelli relativi a temperatura, umidità, CO2, irrigazione e fertilizzazione. Il controllo predittivo del modello basato sui dati utilizza tecniche di apprendimento automatico per tenere conto dei cambiamenti imprevedibili delle condizioni meteorologiche, per prendere le migliori decisioni. Lo studio “An AI framework integrating physics-informed neural network with predictive control for energy-efficient food production in the built environment” (Guoqing Hu e Fengqi You, Applied Energy - Volume 348, 15 ottobre 2023) ha dimostrato l’efficacia di quadri di controllo basati sull’intelligenza artificiale nella coltivazione del pomodoro, anche in climi diversi come Ithaca (New York) e Tucson (Arizona). Con l’aiuto dell’intelligenza artificiale si riesce a mantenere l’ambiente di coltivazione ottimale per le colture, sfruttando l’approccio MPC (Model Predictive Control) e le informazioni sulle previsioni meteorologiche in caso di incertezze.
Il rilevamento rapido degli agenti patogeni negli alimenti e nell’acqua utilizzata in agricoltura è essenziale per garantire la sicurezza alimentare e la salute pubblica. L’intelligenza artificiale può aiutare nel rilevamento accelerato e automatizzato di agenti patogeni in vari campioni di acqua utilizzata in agricoltura e negli alimenti. In particolare possono essere utilizzati modelli di deep learning per identificare e quantificare i batteri bersaglio.
AI e food design
La scienza dei materiali alimentari si è evoluta per supportare lo sviluppo di nuovi prodotti alimentari, collegando le caratteristiche sensoriali del cibo, quelle nutrizionali, quelle tecnologiche. Tuttavia, il food design non si è evoluto così rapidamente per far fronte a questa crescente complessità dei sistemi alimentari. La capacità di comprendere, catturare l’attenzione e trasformare le richieste dei consumatori negli attributi chimici e fisici del prodotto finale rimane una delle maggiori sfide dell’industria alimentare. Di conseguenza, sono necessari nuovi modi per supportare il food design. Allo studio ci sono molte applicazioni del food design che utilizzano l’intelligenza artificiale (AI)/reti generative profonde e il concetto di design inverso, come spiegato nell’articolo “Inverse design and AI/Deep generative networks in food design: A comprehensive review” (Mahmoud Al-Sarayreh, Mariza Gomes Reis, Alistar Carr, Marlon Martins dos Reis, Trends in Food Science & Technology - Volume 138, agosto 2023, pagine 215-228). Proprio perché la progettazione e la formulazione degli alimenti implicano processi complessi e molteplici parametri di progettazione, l’intelligenza artificiale e le reti neurali possono essere di grande aiuto alle aziende alimentari. La maggior parte degli approcci si basano sull’associazione tra gli ingredienti, ma prestano meno attenzione alle proprietà funzionali. La rappresentazione dei dati rimane la vera sfida e una lacuna da colmare per il raggiungimento di un concetto reale e applicabile di progettazione alimentare digitale. Mentre i metodi basati sul deep learning e sull’elaborazione del linguaggio naturale sono attualmente i più utilizzati, gli approcci generativi profondi rimangono un’area di ricerca critica.
AI e tracciabilità
Le filiere agroalimentari sono sempre più digitalizzate e automatizzate attraverso l’uso di tecnologie come l’Internet delle cose (IoT), la blockchain e l’intelligenza artificiale (AI). Tali sforzi di digitalizzazione spesso si basano sul cloud computing, che crea sovraccarico di larghezza di banda, elevata latenza, problemi di sicurezza e privacy. Lo studio “Chapter Nine: Blockchain meets edge-AI for food supply chain traceability and provenance” (Volkan Dedeoglu, Sidra Malik, Gowri Ramachandran, Shantanu Pal, Raja Jurdak, Comprehensive Analytical Chemistry - Volume 101, 2023, pag. 251-275) analizza come la blockchain incontra l’intelligenza artificiale per la tracciabilità e la provenienza degli alimenti. I ricercatori propongono l’uso dell’edge AI, un paradigma informatico che combina l’edge computing e l’intelligenza artificiale. L’Edge AI può promuovere una maggiore scalabilità ed evitare i problemi di sicurezza e privacy del cloud computing centralizzato. Viene proposto l’uso di sensori integrati negli smartphone per fornire firme fisiche, chimiche o biologiche univoche dei prodotti della filiera alimentare e per condurre i calcoli necessari sullo smartphone.
AI e individuazione degli allergeni
Sebbene molte persone soffrano di sensibilità e intolleranze alimentari, le allergie alimentari colpiscono solo circa il 5-10% della popolazione totale, ma le loro conseguenze possono essere gravi o addirittura fatali. La gestione delle allergie e delle intolleranze alimentari si basa sull’evitare gli ingredienti e i prodotti alimentari che le causano e, quindi, le persone colpite devono adottare uno stile di vita di costante vigilanza. Per evitare la loro ingestione accidentale, in molti paesi sono state implementate normative sull’etichettatura degli allergeni, come il Food Allergen Labeling and Consumer Protection Act (FALCPA) del 2004 negli Stati Uniti o il Regolamento (UE) 1169/2011 “relativo alla fornitura di informazioni sugli alimenti ai consumatori” nell’Unione Europea. I metodi attuali per rilevare gli allergeni alimentari (test immunologici, approcci basati sulla spettrometria di massa, metodi basati sugli acidi nucleici e biosensori) possono essere implementati solo in laboratori professionali altamente attrezzati e, sebbene siano oggi disponibili alcuni kit commerciali portatili per il rilevamento orientato al consumatore, il loro utilizzo spesso richiede istruzioni dettagliate, un’attenta manipolazione e preparazione dei campioni, reagenti chimici, costosi materiali non riutilizzabili e rilevatori/lettori specializzati. Gli approcci di deep learning potrebbero rappresentare un’alternativa innovativa ai classici metodi di rilevamento degli allergeni. Gli algoritmi di deep learning sono stati impiegati con successo per rilevare e quantificare diversi adulteranti nelle cariossidi e nelle farine di riso, nel caffè macinato o latte in polvere, anche a livello di tracce. Per fare ciò, le immagini digitali di prodotti autentici e adulterati vengono acquisite e analizzate utilizzando reti neurali convoluzionali (CNN) per costruire modelli che ne consentano la discriminazione. Questa tecnologia sarebbe particolarmente interessante per i consumatori allergici perché può essere implementata con un semplice smartphone. La tecnica si basa sull’analisi di fotografie scattate con una semplice macchina fotografica reflex e sulla successiva classificazione in gruppi assegnati al tipo e alla quantità di adulterante. Sono molti gli studi che provano come l’imaging digitale, combinata con tecniche di deep learning, possa essere utilizzata per il rilevamento degli allergeni alimentari.
AI per il rilevamento dell’adulterazione e dei difetti
Le tecniche di intelligenza artificiale si sono evolute in strumenti pratici, rapidi ed efficaci in combinazione con dispositivi per la valutazione della qualità, in particolare nel rilevamento di adulterazioni e difetti dei prodotti agricoli. I risultati ottenuti dai sensori richiedono l’applicazione di tecniche di intelligenza artificiale caso-specifiche volte a migliorare la comprensione del set di dati, nonché la classificazione e la previsione. L’abbinamento dell’AI e dei sensori si sta mostrando promettente nel rilevamento di adulterazioni e dei difetti di prodotti alimentari e agricoli, con una precisione che, in alcuni casi arriva anche al 100%. Le applicazioni devono ancora essere migliorate. Per questo è necessario perseguire e convalidare potenziali sviluppi futuri, nuovi sensori e algoritmi di deep learning, ma anche il monitoraggio in tempo reale e la modellazione predittiva potrebbero aiutare a evitare problemi di qualità prima che si verifichino, ridurre il rischio di frode e garantire prodotti di alto valore. L’intelligenza artificiale consente l’identificazione non distruttiva di adulterazioni che potrebbero non essere rilevabili dall’ispezione umana o dai metodi di laboratorio convenzionali. Inoltre, può essere un modo efficiente ed economicamente vantaggioso per ricercare possibili adulteranti in grandi quantità di prodotti in breve tempo. La capacità dell’intelligenza artificiale di apprendere e adattarsi dai nuovi dati può migliorare la sua precisione nel tempo.
Le reti neurali artificiali (ANN), l’apprendimento profondo (DL), la logica fuzzy (FL), la Support Vector Machine (SVM) e il Random Forest (RF) possono essere utilizzati per la valutazione rapida della qualità dei prodotti alimentari. Le reti neurali convoluzionali (CNN) sono uno dei metodi principali per apprendere le caratteristiche delle informazioni digitali in ingresso e la loro classificazione. La Support Vector Machine (SVM) viene spesso applicata a problemi di classificazione nei settori agricolo e alimentare. A differenza delle ANN, le SVM hanno il vantaggio di essere meno inclini al sovradattamento. Inoltre, sono molto efficaci anche con dati di grandi dimensioni. Recentemente, la SVM è stata utilizzata per valutare la qualità di prodotti alimentari e agricoli, adulterazioni nel formaggio, nel cetriolo di mare, nel pomodoro, nel mirtillo, nella carne lavorata. Un sistema formato da un microscopico digitale 3D e dalle CNN è stato utilizzato per rilevare la farina di pesce adulterata. È stato sviluppato un modello CNN di classificazione qualitativa e previsione quantitativa per l’adulterazione della carne di montone con carne di maiale o anatra. Altri ricercatori hanno utilizzato una telecamera termografica combinata alle CNN per classificare il miele puro e i campioni di miele adulterato.
Random Forest (RF), multilayer perceptron (MLP) e gradient boosting machine (GBM) sono utilizzati come tecniche di intelligenza artificiale per rilevare frodi nei prodotti lattiero-caseari, attraverso l’aggiunta di siero di latte, amido, formaldeide e urea, in base alle proprietà termofisiche determinate utilizzando la calorimetria differenziale a scansione (DSC). Sulla base delle caratteristiche spettrali dell’infusione del tè, è stato sviluppato un modello di previsione per il rilevamento rapido del carminio, un colorante sintetico, nel tè nero, utilizzando le rete neurale Multi-Layer Perceptron (MLP). Inoltre, gli MLP combinati con la spettroscopia di fluorescenza sono anche in grado di distinguere l'olio extra vergine di oliva fresco (EVOO) dai campioni contaminati che contengono EVOO scaduto. Altri studi si stanno focalizzando sull’integrazione dell’intelligenza artificiale con il naso elettronico, come approcci non invasivi per il rilevamento dell’adulterazione dello zafferano.
Martina Halker, Esperta di impianti alimentari e divulgatrice scientifica
