En agroalimentaire, la qualité des matières premières ou des aliments est primordiale. Celle-ci est donc régulièrement contrôlée.
- En agriculture, le contrôle qualité aide à décider quel est le moment idéal pour commencer les récoltes (en fonction de la maturité des fruits et des légumes).
- Dans une usine de transformation, le contrôle qualité sert à vérifier les matières premières à réception et les produits finis à la sortie de l’usine.
Le délai de restitution des résultats d’analyses doit être réduit au minimum afin d’assurer la livraison des produits finis ou des aliments dans les meilleures conditions. Il s’agit donc de prédire rapidement et de manière fiable les principaux paramètres chimiques et nutritionnels d’un échantillon de matière première ou d’aliment.
Quelques exemples concrets de contrôle qualité en agroalimentaire :
- Prédire la teneur en protéine, en matière grasse, ou encore l’humidité dans le lait, dans les viandes, poissons et céréales ;
- Prédire la maturité d’un légume, d’un fruit pour les récolter au bon moment ;
- Prédire la composition en acides aminés des matières premières pour l’alimentation animale ;
- Prédire la teneur en éthanol du vin ;
- Etc.
La spectrométrie proche infrarouge et les modèles prédictifs au service du contrôle qualité
La technologie proche infrarouge (PIR) – ou near-infrared (NIR) est utilisée dans l’agroalimentaire car elle répond aux problématiques de temps et de fiabilité des contrôles qualité du secteur.
En effet, elle offre la possibilité de réaliser une mesure multi paramétriques. Chaque analyse permet de déterminer plusieurs paramètres. Les résultats sont rapides et fiables. La rapidité est d’autant plus accentuée par la démocratisation des spectromètres portables NIR, comme le MicroNIR OnSite-W, qui permettent de réaliser des mesures directement sur le terrain.
Comment fonctionne la technologie proche infrarouge ?
Les molécules organiques, présentes dans l’échantillon analysé, sont animées de mouvements vibratoires lors de l’excitation des liaisons chimiques par une source lumineuse.
Les photons réfléchis, suite à l’absorption d’une partie de l’énergie du rayonnement, créent un signal mesurable.
Les spectromètres collectent et mesurent ces signaux porteurs d’informations sur la nature chimique et l’état physique de l’échantillon.
Cette méthode de mesure est indirecte : un spectre NIR nécessite un traitement des signaux pour en extraire des informations afin de quantifier les composants de l’échantillon.
Le traitement de ces données est une discipline alliant les mathématiques, les statistiques et la chimie : la chimiométrie.
Pour aboutir à des modèles prédictifs exploitables, les étapes sont les suivantes :
- Identifier le composé au sein de l’échantillon. Cette classification est réalisée grâce à des algorithmes de traitements de données ;
- Relier la position spectrale et la part de l’intensité des signaux pour doser les composants par régression.
Un modèle prédictif est donc établi en construisant un lien entre des spectres collectés sur le terrain avec un spectromètre et des valeurs réelles calculées en laboratoire.
Ce travail long et minutieux nécessite une expertise en chimiométrie au sein des laboratoires qualité. Pour ces raisons, le développement de calibrations particulières peut être un frein pour atteindre les performances analytiques du PIR/NIR.
L’exploitation des données spectrales du proche infrarouge par un chimiométricien permet de corréler des données à des critères de qualité (mesures physico-chimiques, paramètres agronomiques, profils sensoriels, mesures spectroscopiques, etc.) afin de construire des modèles de prédiction.
Exemple d’outils statistiques : calculs de moyenne, de variance, de covariance, etc. La méthode chimiométrique PLS, Partial Least Square Regression (la régression aux moindres carrés) cherche à maximiser la covariance.
Le développement de modèles soulève des questions :
- Quelle est la meilleure combinaison de prétraitements ?
- Quels algorithmes sont les plus adaptés aux données ?
- Comment valider un modèle ?
Il existe désormais une nouvelle solution plus rapide et plus simple qui s’intitule Hone Create.
Un outil puissant pour construire des modèles prédictifs
Avec la solution Hone Create, un utilisateur lambda, sans compétence particulière en chimiométrie, peut créer des modèles prédictifs en quelques minutes. Hone Create est une plateforme d’intelligence artificielle très avancée.
Comment utiliser Hone create ?
- Il suffit de télécharger sur la plateforme Hone les données collectées sur le terrain avec le spectromètre MicroNIR.
- Le logiciel effectue automatiquement plus de 15 000 combinaisons de prétraitement et d’algorithmes ainsi que des millions de permutations avec les données téléchargées pour trouver le bon modèle.
- Une fois le modèle établi, celui-ci peut être partagé avec les utilisateurs, au sein de l’entreprise, via le web ou l’application mobile.
Non seulement Hone Create est plus simple et plus rapide à utiliser qu’un logiciel de chimiométrie classique, mais son IA permet de créer des modèles plus précis et plus robustes que les méthodes traditionnelles, comme on peut le constater sur le graphique ci-contre.
Avec le MicroNIR OnSite W et la solution Hone Create, les problématiques de rapidité et de fiabilité des contrôles qualité dans l’industrie agroalimentaire sont résolues. Pour en savoir plus, contactez nos équipes.
