Impiego di imaging hyperspectral nel campo della sicurezza alimentare

Le analisi spettrofotometriche forniscono valutazioni multi-analitiche di quegli aspetti degli alimenti che maggiormente influenzano le scelte del consumatore. L’Hyperspectra Imagin, piattaforma tecnologica nata dall’integrazione dell’imaging tradizionale con la spettrometria, permette di produrre informazioni spaziali e spettrali e insieme alla spettrometria NIR, sono tra i sistemi più innovativi per valutare precisamente la qualità di un prodotto.

sicurezza alimentare

Indice

Uno dei problemi al momento maggiormente affrontato dall’industria agroalimentare è quello di studiare un sistema strumentale che effettui, in modo oggettivo, un controllo sulla qualità commerciale del prodotto, al fine di determinare maggiori garanzie sulle effettive caratteristiche organolettiche ed igienico-sanitarie [2].

In tal senso, l’analisi di spettroscopia di immagine iperspettrale VIS-NIR, risulta essere una tra le tecniche innovative e non distruttive più interessanti, in quanto permette, riferendosi ad una vasta gamma di prodotti, di dare valutazioni sulla qualità rapide, oggettive e multi-analitiche [11].

L’analisi spettrofotometrica, infatti, è in grado attraverso lo studio delle differenze dello stato chimico-fisico dei prodotti agricoli di definire dei validi criteri di oggettività utili per la determinazione di una stima della qualità del prodotto agricolo e alimentare [1].

Gli aspetti di qualità del prodotto, che possono essere misurati con tale metodologia, si riferiscono a quelli che maggiormente influenzano la scelta del consumatore e pertanto il mercato delle vendite: aspetto, colore e gusto, ossia le proprietà organolettiche e merceologiche, ma anche difetti, danni o contaminazioni.

Hyperspectral Imaging: nuove tecnologie per la sicurezza alimentare

Hyperspectral imaging (HSI) è una tecnologia di piattaforma in crescita che funziona integrando imaging convenzionale e spettroscopia per ottenere informazioni spaziali e spettrali da un oggetto.

È in grado di catturare immagini di riflettanza, trasmittanza e fluorescenza nelle regioni visibili e infrarosse con risoluzione spaziale submillimetrica e alta risoluzione spettrale (10 nm) [3]. Mentre l’HSI è stato originariamente sviluppato per il telerilevamento, ha guadagnato popolarità nel campo della sicurezza e dell’analisi degli alimenti con nuove applicazioni riportate in frutta e verdura [8] [10].

Alcuni vantaggi di HSI rispetto ad altre tecniche come l’imaging RGB, la spettroscopia NIR e l’imaging multicolore includono la capacità di produrre informazioni spaziali e spettrali, informazioni multicostituente e sensibilità ai componenti minori [5].

Alcuni vantaggi di HSI rispetto ad altre tecniche come l'imaging RGB, la spettroscopia NIR e l'imaging multicolore includono la capacità di produrre informazioni spaziali e spettrali, informazioni multicostituente e sensibilità ai componenti minori [5].

Particolarmente innovativi sono anche le applicazioni della spettroscopia NIR in fase di processo, che permettono di eliminare le analisi off-line e passare a modelli on-line (automatizzando le operazioni di campionamento e analisi) o addirittura in-line, valutando direttamente la qualità del prodotto durante il processo [6]. L’evoluzione della produzione può essere eseguita grazie ad un sistema a fibre ottiche che convoglia la radiazione dello strumento verso la linea di produzione e la riporta a questo dopo l’interazione del campione.

Infine la spettroscopia NIR viene impiegata per monitorare la cinetica di decadimento della qualità dei prodotti alimentari in studi di shelf-life. A tal fine, sono stati condotti studi e tale tecnica è stata impiegata per valutare la freschezza di prodotti come la carne macinata, il filetto di branzino, l’ananas di IV gamma [4].

I sistemi di rilievo spettrofotometrico di corpi solidi possono essere di tipo puntuale, in genere relativi all'ampiezza della sonda di rilievo, che forniscono come misura i valori spettrali mediati su tutta l'area di acquisizione, e di immagine, che forniscono invece informazioni di tipo più dettagliato.

Questo termine indica più propriamente la tecnica di acquisizione ed elaborazione di immagini spettrali, ma la tecnica è spesso indicata come analisi di immagine iperspettrale (hyperspectral imaging, HI). Questa tecnica consente di acquisire, attraverso speciali detector, immagini più o meno ampie dei soggetti di analisi, rilevando simultaneamente lo spettro visibile (VIS) o infrarosso vicino (NIR) associato a ciascun punto dell’immagine stessa, per ciascuna banda spettrale rilevata [7].

La procedura di estrazione da operatore delle informazioni spettrali dalle immagini acquisite è passaggio cruciale per l’analisi effettuata. Infatti disponendo dell’intera immagine spettrale dei prodotti è possibile scegliere zone o aree differenti di prodotti stessi cui corrispondono spesso risposte spettrali e colorimetriche diverse [9]. Inoltre devono essere evitate dall’analisi le zone non propriamente appartenenti al prodotto (es. frutto, peduncoli o foglie) o le zone più in ombra o meno visibili dovute alla conformazione geometriche del prodotto stesso.

Utilizzando un tool dal software, l’operatore traccia una ROI (region of interest) delimitando l’area quadrata o rettangolare interessante per la misura. In genere, tranne casi di prodotti molto piccoli come gli acini d’uva, l’area tracciata ha una superficie approssimativa di 10-15 centimetri quadrati, corrispondente a circa 3000-5000 pixel. Per ottenere una misura mediata più rappresentativa, è consigliabile tracciare più ROI in zone diverse del prodotto analizzato [14].

Dell’intera area prescelta il software calcola il valore medio su tutti i pixel relativo ai valori di riflettanza per tutte le lunghezze d’onda e alle coordinate colorimetriche (Tab. n.1 e Tab. n.2).

Tab. 1 - Strategia di analisi di immagini iperspettrali
Fasi preliminari al trattamento del dato spettrale che deve essere sintetizzato per estrarre l’informazione significativa
Calibrazione del dato spettrale in riflettanza o assorbanza
Pre-processamento del dato spettrale
Analisi del dato spettrale
Processamento dell’immagine
Tab. 2 - Tecniche per estrarre le informazioni significative dal dato spettrale
Estrazione di singole lunghezze d’onda ritenute significative o altamente informative (ad es. l’assorbimento nella banda dei 1400-1440 nm per il contenuto di acqua) (Osborne et al., 1997)
Confronto tra diverse lunghezze d’onda (sottrazioni, rapporti spettrali)
Clustering multivariato
Classificazione multivariata (Cheng et al., 2004)
Predizione multivariata (Naganathana et al., 2008)

Nelle immagini multi o iperspettrali, l’informazione spettrale è relativa ad ogni pixel dell’immagine stessa. Poiché l’informazione spaziale dell’immagine è rappresentata da una matrice di pixel estesa nelle due dimensioni X e Y, l’immagine iperspettrale comprenderà tre dimensioni X, Y, Z, dove la terza dimensione è rappresentata dalle 114 (VIS-Nir) o 70 (Nir) differenti lunghezze d’onda.

Si parla in questo caso di ipercubo o matrice cubica iperspettrale (Fig. 1). Ogni livello (layer) dell’asse Z (l’asse delle lunghezze d’onda) corrisponderà ad una immagine spaziale a quella specifica lunghezza d’onda.

Fig. 1 - Schematic of the hyperspectral imaging (HSI) system: (a) acquisition of hyperspectral image; (b) hypercube: spectral and special information in a hyperspectral image at different wavelengths; (c) spectral signature for each constituent of the sample plotted against different wavelengths. Fonte: Evaluation of biological contaminants in foods by hyperspectral imaging: A review

Casi studio di immagini iperspettrali

Nel rilevamento dei batteri, Dubois et al., (2005), sono stati i primi a indagare sul potenziale dell’immagine iperspettrale per l’identificazione di batteri isolati in alimenti [4]. Utilizzando immagini ad una lunghezza d’onda di 1940 nm (una caratteristica banda dell’acqua), Dubois ha stabilito che i batteri studiati possono essere classificati in due gruppi, cioè GRAM (+) e GRAM (-).

Nel 2015, i ricercatori [15] [16] [17] hanno dimostrato che la riflettanza HSI in combinazione con l’analisi multivariata ha avuto la capacità di quantificare e visualizzare rapidamente e in modo non invasivo i carichi di E. coli nella carne di pesce della carpa  durante il processo di deterioramento (Fig. n. 2). Inoltre l’ausilio di altre bande o l’uso dei parziali minimi quadrati può aiutare a identificare altri batteri. 

Altri rilevamenti di batteri in sistemi isolati, furono eseguiti per determinare la CBT in seguito al deterioramento della carne [12]; e a quantificare attraverso immagini iperspettrali e rete neurali artificiali i carichi di E. coli inoculato in spinaci [13].

Fig. 2 - Questi sono esempi di mappe di distribuzione dei carichi di E. coli nei filetti di pesce. Le mappe di distribuzione mostravano come il livello di contaminazione da E. coli variava da un campione all'altro. Si osserva uno spostamento dell'intensità del colore dal blu al rosso, che riflette l'aumento della contaminazione da E. coli. Fonte: Rapid quantigìficatione analysis and Visualization of Escherichia coli Loads in grass carp fissh fkesh by Hyperspectral Imaging method

Conclusioni

L’immagine iperspettrale è la nuova frontiera per l’analisi ottica degli alimenti. Tramite tale strumentazione è possibile ottenere un ipercubo completo che può essere acquisito in pochi secondi, il quale contiene le informazioni spettrali in un vasto campo di lunghezze d’onda, dell’intera superficie di un prodotto oggetto di indagine. Con questi sviluppi, i progressi nella progettazione dei componenti hanno portato ad una riduzione delle dimensioni e costo dei sistemi iperspettrali.

1. Menesatti P. (1999), Applicazione dell’analisi di immagine per la valutazione qualitativa di prodotti agro-alimentari. oral communication at Convegno AIIA 1999 - L’innovazione tecnologica per l’agricoltura di precisione e la qualità produttiva, Grugliasco (TO) 22-24/6/99 – estratti  389 – 400.

2. Kim, M.S., Chen, Y.R., Mehl, P.M. (2001), Hyperspectral reflectance and fluorescence imaging system for food quality and safety. Transactions of the ASAE, 44(3), 721:729.

3. Park B., K.C. Lawrence, W.R. Windham, D.P. Smith and P.W. Feldner, (2002), Hyperspectral imaging for food processing automation, Proceedings of the SPIE, Volume 4816, 308-16.

4. Dubois J., Neil Lewis E., Fry J.F.S., Calvey E.M., (2005), Bacterial identification by near-infrared chemical imaging of food-specific cards, Food Microbiology 22 (6), 577-583.

5. Gowen A.A., O'Donnell C.P., Cullen P.J., Downey G., Frias J.M., (2007), Hyperspectral imaging - an emerging process analytical tool for food quality and safety control, Trends in Food Science & Technology 18 (12), 590-598.

6. Park B., (2008), Quality inspection of poultry carcasses. Computer vision technology for food quality evaluation / edited by Da-Wen Sun [e-book].Amsterdam; Boston: Elsevier/Academic Press, 2008; 2008:157-187.

7. ElMasry G. & Sun D.-W., (2010), Principles of Hyperspectral Imaging Technology, In, Sun D.-W. (Ed.), Hyperspectral Imaging for Food Quality Analysis and Control, 3-43. Academic Press, San Diego.

8. Wang W., Peng Y.-k., Zhang X.-l., (2010),  Study on Modeling Method of Total Viable Count of Fresh Pork Meat Based on Hyperspectral Imaging System, Spectroscopy and Spectral Analysis 30 (2), 411-415.

9. Havelaar A.H., Brul S., de Jong A., de Jonge R., Zwietering M.H., ter Kuile B.H., (2010), Future challenges to microbial food safety, International Journal of Food Microbiology 139, Supplement (0), S79-S94.

10. Grau R., Sanchez A.J., Giron J., Iborra E., Fuentes A., Barat J.M., (2011), Nondestructive assessment of freshness in packaged sliced chicken breasts using SW-NIR spectroscopy, Food Research International 44 ( 1), 331-337.

11. Feng Y.-Z.,  Sun  D.-W., (2011), Application of hyperspectral imaging in food safety inspection and control, a rewieu, Critical Reviews in Food Science and Nutrition.

12. Peng Y., Zhang J., Wang W., Li Y., Wu J., Huang H., Gao X., Jiang W., (2011), Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles, Journal of Food Engineering 102 (2), 163-169.

13. Siripatrawan U., Makino Y., Kawagoe Y., Oshita S., (2011), Rapid detection of Escherichia coli contamination in packaged fresh spinach using hyperspectral imaging, Talanta 85 (1), 276-281.

14. Kamruzzaman M., ElMasry G., Sun D.-W., Allen P., (2012), Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis, Analytica Chimica Acta 714 (0), 57-67.

15. ElMasry G., Sun D.-W., Allen P., (2012), Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef, Journal of Food Engineering 110 (1), 127-140.

16. Feng Y.-Z., ElMasry G., Sun D.-W., Walsh D., Morcy N., (2012), Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets. Submitted.

17. Ricardo Vejarano, Raúl Siche & Wendu Tesfaye, (2017), Evaluation of biological contaminants in foods by hyperspectral imaging(HSI): A review, International Journal of Food Properties, DOI: 10.1080/10942912.2017.1338729

 

Maria Doto

Maria Doto

Laureata in Scienze e Tecnologie Alimentari presso l’Università degli Studi di Foggia.
Buona conoscenza sulle tematiche di sicurezza alimentare trasferibili al consumatore tramite il consumo di questi prodotti e sulle contaminazioni di natura chimica in grado di nuocere al consumatore.

LinkedIn

Quiz

Vuoi metterti alla prova? Rispondi a questo breve quiz per valutare il tuo livello di conoscenza sull'argomento.

1 / 3

L’imaging hyperspectral

2 / 3

L’imaging hyperspectral:

3 / 3

L’imaging hyperspectral:

Vuoi ricevere i risultati del quiz? Compila i campi sottostanti, riceverai a breve un'email con le risposte corrette!

Your score is

Questo sito e gli strumenti da questo utilizzati si avvalgono di cookie necessari al funzionamento ed utili alle finalità illustrate nella Cookie Policy. Se vuoi saperne di più o negare il consenso a tutti o ad alcuni cookie, consulta la Cookie Policy. Accettando questo banner e cliccando sul seguente link, acconsenti all'uso dei cookie. Cookie Policy