Nel progetto SANUM (2017-2018) ci siamo interessate all’uso dei sensori NIR e le applicazioni nell’agroalimentare per il controllo di qualità nelle piccole aziende.
Il progetto è stato finanziato dall’Unione Europea con il sostegno della Regione Autonoma della Sardegna e di Sardegna Ricerche (POR FESR Sardegna 2014-2020). In questo blog vi raccontiamo cosa abbiamo fatto e vi mostriamo qualche risultato.
Il contesto
Lo abbiamo tutti letto, i problemi di salute legati all’alimentazione come allergie alimentari, obesità, diabete e malattie cardiovascolari sono cresciuti in proporzioni epidemiche. Inoltre stanno causando un pesante tributo alla nostra società e ai nostri sistemi sanitari. Per questa ragione, la Commissione Europea ha lanciato una sfida alle aziende ICT, l’Horizon Prize, per lo sviluppo di una soluzione mobile economica e non invasiva che consentisse agli utenti di misurare e analizzare gli alimenti in presa diretta. Posta in palio: 1 Milione €! Tre aziende hanno condiviso questo premio.
Ci siamo chiesti perché non provare ad utilizzare queste nuove tecnologie nell’ambito della R&S di Nurideas e integrarle nella tracciabilità e nel controllo qualità che stavamo sviluppando per le micro aziende del settore agroalimentare?
E cosi, nel 2017 abbiamo presentato un progetto di ricerca e sviluppo in risposta al bando “Filiera Biomed” di Sardegna Ricerche (POR FESR 2014-2020) per provare a rispondere a questa domanda.
Percorso scientifico
Il progetto SANUM aveva come obiettivo lo studio di nuove funzionalità – attinenti alla tracciabilità alimentare e alla nutrizione personalizzata – da integrare nell’ecosistema di prodotti e servizi sviluppati da Nurideas. E cosi aumentare il livello di innovazione della nostra pipeline aziendale.
Il progetto prevedeva un percorso di validazione scientifica dei sensori articolato in quattro fasi:
- raccolta di un adeguato numero di campioni alimentari da aziende del comparto lattiero-caseario;
- analisi dei campioni presso i laboratori di spettrometria NMR e GC-MS dell’Università di Cagliari;
- analisi dei medesimi campioni tramite due sensori molecolari attualmente disponibili in commercio;
- validazione dei risultati ottenuti.
Abbiamo testato solo 2 dei 3 sensori risultati vincitori, nel 2016, del premio europeo Horizon Price Food scanner. L’obiettivo del progetto era duplice: da un lato analizzare il livello di sensibilità dei sensori e validare il loro funzionamento. Dall’altro capire se potevano essere utilizzati dalle micro e piccole realtà imprenditoriali agroalimentari.
I sensori NIR
I sensori NIR utilizzati nel progetto sono: SCiO (www.consumerphysics.com) e Tellspec (www.tellspec.com).
Entrambi i sensori utilizzano la tecnologia NIR (Near-Infrared Spectroscopy – Spettroscopia a InfraRosso Vicino) ma operano in range differenti di lunghezze d’onda (SCiO: 750-1040 nm; Tellspec: 900-1700 nm).
Tutti due sensori comunicano con lo smartphone dell’utente attraverso la connessione Bluetooth e un apposita app.
Da un punto di vista tecnico, i sensori sono costituiti da una fonte luminosa che irradia il campione di cibo e da un sensore ottico (spettrometro) che fa convergere i raggi di luce riflessa dal campione restituendo come analisi finale uno spettro. Gli spettri così ottenuti vengono inviati al server Cloud dell’azienda sviluppatrice dove vengono analizzati e re-inviati all’app scaricata nello smartphone del’utente.
Campionatura
Nel progetto SANUM abbiamo coinvolto 3 aziende casearie e un’azienda multifunzionale agrituristica dislocate in diverse parti del territorio in Sardegna. Nel periodo compreso tra dicembre 2017 e luglio 2018, abbiamo analizzato vari tipi di latte (caprino, ovino e misto ovi-caprino) e di formaggi.
In tutto, abbiamo analizzato 367 campioni che corrispondono a 16 prodotti diversi, e ottenuto in totale 2319 spettri. Questi spettri possono essere considerati come un’impronta digitale di ogni prodotto.
Spettri
I risultati ottenuti con i sensori NIR sono stati comparati con i dati ottenuti attraverso strumenti più sofisticati (NMR e GC-MS) nei laboratori dell’Università di Cagliari: il Dipartimento di Scienze Biomediche con il gruppo di Metabolomica Clinica del Prof. Luigi Atzori e il Dipartimento di Scienze della Vita e dell’Ambiente (DISVA) con il Prof. Luigi Caboni.
Validazione risultati
In seguito, per la validazione dei sensori, abbiamo effettuato analisi comparative tra i dati ottenuti da NMR/GC-MS e quelli ricavati dai sensori.
Per illustrare vi mostriamo un esempio di analisi comparativa è rappresentato dal confronto dei risultati ottenuti sui tre tipi di formaggio campionato: fresco (lavorazione formaggio), semi-stagionato (circa 5-6 mesi) e stagionato (più di 12 mesi).
A occhio, vediamo che gli spettri NIR mostrano differenze marcate tra i formaggi freschi e quelli con gradi diversi di stagionatura.
Anche gli spettri NMR mostrano varie differenze tra questi tre tipi di formaggio:
- il lattosio è unicamente presente nel formaggio fresco;
- arginina, lisina, glutammato, glutammina, istamina sono molto più concentrati nel formaggio stagionato e assenti nel fresco.
Analisi dati
Le analisi che abbiamo fatto su questi campioni sono di tipo “data-mining”, utilizzando gli strumenti offerti dall’applicazione “TheLab” sul sito di ConsumerPhysics (azienda sviluppatrice del sensore SCiO). TheLab permette di effettuare analisi PCA sugli spettri analizzati e visualizzare i risultati in forma grafica.
La PCA (Principal Component Analisis o Analisi in Componenti Principali) è una tecnica utilizzata per enfatizzare le variazioni e far emergere modelli forti negli spettri. In questo caso, la PCA viene utilizzata per rendere i dati più facili da esplorare e visualizzare, riducendo l’intero spettro da un vettore di 330 valori (uno per lunghezza d’onda) a un vettore più corto (tipicamente 3-6 valori), senza perdere troppe informazioni presente nello spettro originale.
In un primo passo, analizziamo 4 formaggi che riconosciamo facilmente. Vediamo se anche i sensori individuano differenze.
Nel dettaglio si va a cercare i “cluster” o nuvole di dati che hanno le stesse proprietà. Questo tipo di analisi è stata fatta per tutti i campioni e ci ha consentito di filtrare tutti gli spettri anomali (outliers), e procedere a ripulire i dati per la successiva creazione dei modelli.

Ciò che emerge in modo chiaro da questa analisi è la distinzione tra la provola e la ricotta, al contrario le nuvole (cluster) relative a stracchino e mozzarella, rispettivamente, risultano più vicine, meno distinte.
Questo primo passo aiuta a visualizzare la qualità dei dati e a trovare spettri anomali, i cosiddetti “outlier”. Una volta pulito il dataset – l’insieme dei dati – si possono creare i modelli da utilizzare in seguito per il riconoscimento di nuovi campioni di ciascun formaggio.
Modelli
Un modello di data-mining viene creato applicando un algoritmo ai dati: è un insieme di dati, statistiche e schemi che possono essere applicati a nuovi dati per generare previsioni e inferenze sulle relazioni.
In generale si possono creare due tipi di modelli:
Modello di classificazione (classification model): la classificazione è la differenziazione tra categorie, basata sull’impronta digitale spettrale dei componenti di ogni categoria. Questo tipo di modello per esempio, permette di classificare i campioni per tipo di latte, per tipo di alimentazione, per tipo di formaggio. Gli utenti allora possono eseguire la scansione del proprio campione e identificare la famiglia di appartenenza.
Modello di stima (estimation model): il modello di stima funziona su una raccolta di campioni che hanno un attributo numerico comune, come il contenuto di zucchero, il contenuto di grassi e così via. Sulla base di campioni precedentemente misurati che hanno una gamma completa dell’attributo target, gli utenti possono eseguire la scansione del proprio campione e scoprire il valore dell’attributo di interesse.
Il numero di campioni e i dati raccolti ci hanno solo permesso di creare qualche modello di classificazione per testare la validità dell’approccio. Per poter utilizzare questi modelli “in produzione” abbiamo bisogno di un numero più elevato di campioni.
Di seguito l’esempio del nostro approccio verso un modello di classificazione.
1 – Prima analisi
La prima analisi è stata effettuata facendo un merge delle collezioni di formaggi di due aziende che producono e trasformano latte ovino ottenuto da due razze di pecora diverse (pecora nera sarda e pecora bianca, rispettivamente). Abbiamo selezionato quattro tipi di formaggio per i quali erano stati raccolti un numero rilevante di campioni e relativi spettri NIR: mozzarella, provola, ricotta e stracchino.
Come abbiamo visto nella precedente analisi PCA, si vedono 4 cluster, 1 per ogni tipo di formaggio. Tuttavia, i cluster di mozzarella e stracchino hanno alcune sovrapposizioni. Queste le ritroveremo anche nel modello.
2 – Generazione del modello
Utilizzando il tool di generazione di modelli presente in “TheLab” abbiamo creato un modello di classificazione per questi quattro prodotti.
Nella figura vediamo le prestazioni attese dal modello di classificazione (la cosiddetta “matrice di confusione”).
Come previsto in seguito all’analisi PCA, poiché stiamo analizzando soprattutto campioni di formaggi freschi i quali non presentano di per sé differenze enormi (vedi mozzarella e stracchino), il modello risultante mostra una certa confusione, rappresentata dai valori nelle caselle fuori dalla diagonale (in rosa). Infatti, affinché il modello generato differenzi bene i diversi prodotti, le caselle in verde sulla diagonale devono avere valori >90% e nessun’altra casella deve avere valori >5-10%.
3 – Test del modello
Per testare il modello e verificare la sua validità, abbiamo utilizzato i campioni di tipo ovino dell’agriturismo, che non sono stati utilizzati per creare il modello. I risultati corrispondo al modello: la ricotta è ben riconosciuta, i campioni di “lavorazione formaggio” sono riconosciuti come mozzarella o stracchino.
4 – Conclusioni
Per sviluppare un modello più preciso, sarà necessario analizzare più campioni per ogni tipo di formaggio, possibilmente da un numero maggiore di aziende. E anche sviluppare la campionatura lungo uno o più anni di produzione per prendere in considerazione le differenze dovute a la stagionalità, condizioni meteorologiche etc. Ricordiamo che questi prodotti sono artigianali e hanno per questo molta più variabilità rispetto ad un prodotto industriale.
Il progetto SANUM (2017-2018) è stato finanziato dall’Unione Europea con il sostegno della Regione Autonoma della Sardegna e di Sardegna Ricerche (POR FESR Sardegna 2014-2020). Questo progetto ci ha permesso di analizare i sensori NIR e le applicazioni nell’agroalimentare e apre la porta a nuovi sviluppi per Nurideas.
Search
Recent Posts
- I sensori NIR e le applicazioni nell’agroalimentare 22 Aprile 2020
- Come consultare i database nutrizionali 17 Aprile 2020
- Selezionati per la Startup School 2017 online dal YCombinator! 6 Dicembre 2019
- Nurideas a SINNOVA con nuovi sviluppi e prodotti 11 Giugno 2019
- Il mondo dei codici QR (QR code) 11 Giugno 2019