Νέα μέθοδος συνδυάζει φασματοσκοπία, μαγνητικό συντονισμό και μηχανική μάθηση για ταχεία ανίχνευση νοθείας στο ελαιόλαδο

Η διασφάλιση της αυθεντικότητας του ελαιολάδου αποτελεί μία από τις μεγαλύτερες προκλήσεις για τη βιομηχανία ελαιολάδου και τις αρχές ελέγχου τροφίμων. Ερευνητική ομάδα από το Πανεπιστήμιο Wuhan Polytechnic ανέπτυξε μια νέα αναλυτική μεθοδολογία που μπορεί να εντοπίζει γρήγορα και με υψηλή ακρίβεια τη νοθεία στο ελαιόλαδο, αξιοποιώντας τη συνδυαστική δύναμη της τεχνητής νοημοσύνης, της φασματοσκοπίας Raman και του πυρηνικού μαγνητικού συντονισμού χαμηλού πεδίου (LF-NMR).

Τα αποτελέσματα της μελέτης, που δημοσιεύθηκαν στο επιστημονικό περιοδικό Food Chemistry με τίτλο «Rapid identification of olive oil adulteration based on information fusion combining Raman and LF-NMR with chemometrics», δείχνουν ότι η ενοποίηση διαφορετικών πηγών αναλυτικών δεδομένων βελτιώνει σημαντικά τόσο την ανίχνευση δόλιων μειγμάτων όσο και τον ακριβή προσδιορισμό της πραγματικής περιεκτικότητας ελαιολάδου σε ένα δείγμα.

Συνδυασμός τεχνολογιών για ενίσχυση της αυθεντικότητας

Η έρευνα βασίστηκε στην ανάλυση καθαρών ελαίων και μειγμάτων που περιείχαν διαφορετικές αναλογίες ελαιολάδου και άλλων φυτικών ελαίων.

Για τον σκοπό αυτό, οι επιστήμονες συνδύασαν δύο συμπληρωματικές τεχνολογίες:

• Φασματοσκοπία Raman, η οποία παρέχει λεπτομερείς πληροφορίες για τη μοριακή σύσταση των δειγμάτων.
• Πυρηνικό μαγνητικό συντονισμό χαμηλού πεδίου (LF-NMR), που καταγράφει δεδομένα σχετικά με τις φυσικές και δομικές ιδιότητες των ελαίων.

Η ενσωμάτωση των δύο τεχνικών δημιούργησε ένα πολυτροπικό σύστημα ανάλυσης, ικανό να συλλέγει περισσότερες κρίσιμες πληροφορίες για την αναγνώριση πιθανών περιπτώσεων νοθείας.

Μηχανική μάθηση στην υπηρεσία της ασφάλειας τροφίμων

Μετά τη συλλογή των φασματικών δεδομένων, οι ερευνητές εφάρμοσαν διάφορες στρατηγικές επιλογής μεταβλητών και αναλύσεις συσχέτισης, ώστε να εντοπίσουν τα χαρακτηριστικά με τη μεγαλύτερη σημασία για κάθε δείγμα.

Στη συνέχεια αξιοποίησαν χημειομετρικά μοντέλα και αλγορίθμους μηχανικής μάθησης για την ταξινόμηση των ελαίων και την πρόβλεψη των ποσοστών ανάμειξης.

Ανάμεσα σε όλα τα μοντέλα που αξιολογήθηκαν, ο αλγόριθμος XGBoost παρουσίασε τις καλύτερες επιδόσεις, επιτυγχάνοντας:

• Ακρίβεια ταξινόμησης 90,74% στην αναγνώριση δέκα διαφορετικών κατηγοριών ελαίων.
• Συντελεστές προσδιορισμού (R²) μεγαλύτερους από 0,90 για την ποσοτικοποίηση δυαδικών και τριαδικών μειγμάτων.

Τα αποτελέσματα αυτά καταδεικνύουν την υψηλή προγνωστική ικανότητα του μοντέλου στην ανίχνευση και εκτίμηση της νοθείας.

Εξηγήσιμη τεχνητή νοημοσύνη για μεγαλύτερη διαφάνεια

Ένα από τα σημαντικότερα στοιχεία της μελέτης είναι η αξιοποίηση τεχνικών Εξηγήσιμης Τεχνητής Νοημοσύνης (Explainable AI) μέσω της ανάλυσης SHAP (SHapley Additive Explanations).

Η συγκεκριμένη προσέγγιση επέτρεψε στους ερευνητές να προσδιορίσουν ποιες φασματικές μεταβλητές και ποιοι παράμετροι χαλάρωσης επηρέασαν περισσότερο τις αποφάσεις των προγνωστικών μοντέλων.

Με τον τρόπο αυτό ενισχύεται η διαφάνεια και η ερμηνευσιμότητα των αποτελεσμάτων, ενώ παράλληλα αυξάνεται η εμπιστοσύνη στη χρήση τέτοιων συστημάτων στους μηχανισμούς ελέγχου τροφίμων.

Προοπτικές για ταχύτερους ελέγχους ποιότητας

Σύμφωνα με τους ερευνητές, ο συνδυασμός φασματοσκοπικών τεχνικών, πυρηνικού μαγνητικού συντονισμού χαμηλού πεδίου και προηγμένων μοντέλων ανάλυσης δεδομένων δημιουργεί νέες δυνατότητες για την ανάπτυξη ταχέων συστημάτων πιστοποίησης της αυθεντικότητας του ελαιολάδου.

Καθώς οι πρακτικές νοθείας γίνονται ολοένα και πιο σύνθετες, η ανάγκη για αποτελεσματικότερες μεθόδους ελέγχου αυξάνεται. Το ερευνητικό πλαίσιο που ανέπτυξε το Wuhan Polytechnic University θα μπορούσε να αποτελέσει τη βάση για μελλοντικά εργαλεία ταχείας επιθεώρησης, ενισχύοντας τα συστήματα ποιοτικού ελέγχου και συμβάλλοντας στην προστασία των καταναλωτών, των παραγωγών και των επιχειρήσεων της αγροδιατροφικής αλυσίδας.

Πηγή: oleorevista