Bien que le bœuf soit l'un des aliments les plus consommés dans le monde, le manger quand il a dépassé son apogée n'est pas seulement désagréable, mais pose également de graves risques pour la santé. Malheureusement, les méthodes disponibles pour vérifier la fraîcheur du bœuf présentent divers inconvénients qui les empêchent d'être utiles au public. Par exemple, les analyses chimiques ou les évaluations de populations microbiennes prennent trop de temps et nécessitent les compétences d'un professionnel. D'autre part, les approches non destructives basées sur la spectroscopie proche infrarouge nécessitent des équipements coûteux et sophistiqués. L'intelligence artificielle pourrait-elle être la clé d'un moyen plus rentable d'évaluer la fraîcheur du bœuf ?

À l'Institut des sciences et technologies de Gwangju (GIST), Corée, une équipe de scientifiques dirigée par les processeurs associés Kyoobin Lee et Jae Gwan Kim a développé une nouvelle stratégie qui combine l'apprentissage en profondeur avec la spectroscopie de réflectance diffuse (DRS), une technique optique relativement peu coûteuse. "Contrairement à d'autres types de spectroscopie, Le DRS ne nécessite pas d'étalonnage complexe; au lieu, il peut être utilisé pour quantifier une partie de la composition moléculaire d'un échantillon en utilisant juste un spectromètre abordable et facilement configurable, " explique Lee. Les résultats de leur étude sont maintenant publiés dans chimie alimentaire .

Pour déterminer la fraîcheur des échantillons de bœuf, ils se sont appuyés sur des mesures DRS pour estimer les proportions de différentes formes de myoglobine dans la viande. La myoglobine et ses dérivés sont les protéines principalement responsables de la couleur de la viande et de ses changements au cours du processus de décomposition. Cependant, convertir manuellement les mesures du DRS en concentrations de myoglobine pour finalement décider de la fraîcheur d'un échantillon n'est pas une stratégie très précise - et c'est là que l'apprentissage en profondeur entre en jeu.

Les réseaux de neurones convolutifs (CNN) sont des algorithmes d'intelligence artificielle largement utilisés qui peuvent apprendre à partir d'un ensemble de données pré-classifié, appelé « ensemble de formation, ' et trouvez des modèles cachés dans les données pour classer de nouvelles entrées. Pour former le CNN, les chercheurs ont recueilli des données sur 78 échantillons de bœuf au cours de leur processus de détérioration en mesurant régulièrement leur pH (acidité) parallèlement à leurs profils DRS. Après avoir classé manuellement les données DRS sur la base des valeurs de pH comme « frais, ' 'Ordinaire, ' ou 'gâté, ' ils ont alimenté l'algorithme avec l'ensemble de données DRS étiqueté et ont également fusionné ces informations avec des estimations de myoglobine. "En fournissant à la fois des informations sur la myoglobine et spectrales, notre algorithme d'apprentissage en profondeur entraîné pourrait classer correctement la fraîcheur des échantillons de bœuf en quelques secondes dans environ 92% des cas, " souligne Kim.

Outre sa précision, les atouts de cette nouvelle stratégie résident dans sa rapidité, à bas prix, et nature non destructrice. L'équipe pense qu'il est possible de développer de petits, des appareils spectroscopiques portables pour que chacun puisse évaluer facilement la fraîcheur de sa viande, même à la maison. De plus, des techniques similaires de spectroscopie et de CNN pourraient également être étendues à d'autres produits, comme le poisson ou le porc. À l'avenir, avec de la chance, il sera plus facile et plus accessible d'identifier et d'éviter les viandes douteuses.