Η παρούσα μελέτη διακρίνεται σε δύο πειραματικές ενότητες, με κοινό σημείο αναφοράς
την πρώτη ύλη των προϊόντων τροφίμων που εξετάστηκαν, το κρέας κοτόπουλου. Ο στόχος της
πρώτης πειραματικής ενότητας ήταν η συσχέτιση μικροβιολογικών αποτελεσμάτων από
πειράματα αλλοίωσης φιλέτου στήθους κοτόπουλου με τα δεδομένα που προέκυψαν από την
εφαρμογή της πολυφασματικής απεικόνισης. Με βάση τα δεδομένα αυτά, αναπτύχθηκαν μοντέλα
εκμάθησης για την ποσοτική εκτίμηση της ΟΜΧ και των ψευδομονάδων στο φιλέτο στήθους
κοτόπουλου. Όσον αφορά τη δημιουργία των μοντέλων εκμάθησης, τα δεδομένα που
αξιοποιήθηκαν ως δείγματα εκπαίδευσης ήταν μικροβιολογικά και πολυφασματικά δεδομένα για
θερμοκρασίες συντήρησης 0, 5, 10, 15, 20, 25, 30 και 35 οC. Ο αλγόριθμος που χρησιμοποιήθηκε
για την κατασκευή των μοντέλων εκτίμησης, ήταν η γραμμική παλινδρόμηση με τη μέθοδο των
μερικών ελαχίστων τετραγώνων (PLS- R). Ως ανεξάρτητες μεταβλητές ορίστηκαν τα
πολυφασματικά δεδομένα (n= 36) και ως εξαρτημένη ο πληθυσμός της ΟΜΧ ή των
ψευδομονάδων αντίστοιχα. Τα μοντέλo PLS- R εμφάνισε ικανοποιητική επίδοση για την ΟΜΧ,
καθώς για την επικύρωση η τιμή του RMSE ήταν ίση με 0.9013 και η τιμή r ήταν 0.8278 και καλή
επίδοση για τις ψευδομονάδες, αφού για την επικύρωση η τιμή του RMSE ήταν ίση με 0.0287 και
η τιμή r ήταν 0.9385. Επιπλέον, από τους συντελεστές Β φάνηκε ότι τα μήκη κύματος που
επηρέασαν περισσότερο την επίδοση και των δύο μοντέλων, ήταν αυτά που σχετίζονται με την
μυογλοβίνη και τα παράγωγά της.
Ο στόχος της δεύτερης πειραματικής ενότητας ήταν η αξιολόγηση και ο χαρακτηρισμός
της κινητικής συμπεριφοράς της ανάπτυξης του παθογόνου βακτηρίου L. monocytogenes, ως
συνάρτηση της θερμοκρασίας συντήρησης σε κοτομπουκιές. Οι κοτομπουκιές ενοφθαλμίστηκαν
με μίγμα 6 στελεχών L. monocytogenes (10- 100 CFU/g) και συντηρήθηκαν υπό αερόβιες
συνθήκες στους 4, 8, 12, 16 οC και σε δυναμικό θερμοκρασιακό προφίλ (8h στους 4 oC, 8h στους
8 oC και 8h στους 12 oC). Σε κατάλληλα χρονικά διαστήματα, προσδιορίστηκαν οι πληθυσμοί
των ΟΜΧ και L. monocytogenes και πρωτογενή μοντέλα Baranyi & Roberts προσαρμόστηκαν
στα μικροβιολογικά δεδομένα που προήλθαν από την εκτίμηση των κινητικών παραμέτρων
ανάπτυξης των μικροβιακών πληθυσμών. Στη συνέχεια, η επίδραση της θερμοκρασίας στο
μέγιστο ειδικό ρυθμό ανάπτυξης (μmax) μοντελοποιήθηκε, χρησιμοποιώντας το μοντέλο της
τετραγωνικής ρίζας και τα μοντέλα που αναπτύχθηκαν, επικυρώθηκαν με ανεξάρτητα δεδομένα
ανάπτυξης που προέκυψαν από τη συντήρηση ενοφθαλμισμένων δειγμάτων κοτομπουκιών υπό
συνθήκες του δυναμικού θερμοκρασιακού προφίλ. Από την κινητική συμπεριφορά του παθογόνου
παρατηρήθηκε παραλλακτικότητα μέσα στο ίδιο το προϊόν καθώς και η επίδραση του πολύ μικρού
αρχικού εμβολίου στη δυσκολία ανάπτυξης αποδοτικών μοντέλων. Όσον αφορά τη δευτερογενή
μοντελοποίηση, οι εκτιμώμενες τιμές Tmin για την ΟΜΧ ήταν -11.81 οC και για το βακτήριο L.
monocytogenes -5.80 οC. Από την επικύρωση των μοντέλων με δύο ανεξάρτητες επαναλήψεις του
ίδιου δυναμικού θερμοκρασιακού προφίλ, προέκυψε ότι το δυναμικό μοντέλο της πρώτης
επανάληψης ήταν πιο αποδοτικό και άρα επιβεβαιώθηκε η ύπαρξη αισθητής παραλλακτικότητας
μέσα στο προϊόν των κοτομπουκιών.
The present study is divided into two experimental modules, with a common reference
point the raw material of the food products examined, the chicken meat. The objective of the first
experimental module was to correlate microbiological results from chicken breast fillet spoilage
experiments with the data obtained from the application of multi-spectral imaging. Based on these
data, machine learning models were developed to quantify the TVC (total viable counts) and
pseudomonas in the chicken breast fillet. With regard to the creation of machine learning models,
the data used as training samples were microbiological and multi-spectral data for storage
temperatures 0, 5, 10, 15, 20, 25, 30 and 35 oC. The algorithm used to construct estimation models
was linear partial squares regression (PLS-R). The multi-spectral data (n = 36) were determined
as independent variables and the population of TVC or pseudomonas were determined as
dependent variables respectively were defined. The PLS-R model showed satisfactory
performance for the TVC, since the RMSE value for cross validation was 0.9013 and the r value
was 0.8278, while good performance was shown for the pseudomonas, since the RMSE value was
0.0287 and the r value was 0.9385. In addition, the B coefficients showed that the wavelengths
which most affected the performance of both models were those associated with myoglobin and
its derivatives.
The objective of the second experimental module was to evaluate and characterize the
growth behavior of the foodborne pathogen L. monocytogenes, as a function of the storage
temperature in chicken nuggets. Chicken nuggets were inoculated with a mixture of 6 strains of L.
monocytogenes (10-100 CFU / g) and stored under aerobic conditions at 4, 8, 12, 16 ° C and at a
dynamic temperature profile (8h at 4 ° C, 8h at 8 ° C and 8h at 12 oC). At appropriate time intervals,
the TVC and L. monocytogenes populations were determined and the primary models of Baranyi
& Roberts wre fitted to the derived microbiological data for the estimation of the pathogen’s and
TVC’s kinetic growth parameters. The effect of temperature on maximum specific growth rate
(μmax) was then modeled for TVC and L. monocytogenes using the square-root-type model, and
the developed models were validated using independent growth data generated during storage of
inoculated chicken nuggets samples under the dynamic temperature conditions. Through the
pathogen’s kinetic behavior, it was observed variability within the product of chicken nuggets, as
well as the effect of the low inoculum in making difficult the development of models with good
performance. With regard to secondary modelling, the estimated values of Tmin were -11.81 οC
for the TVC and -5.80 οC for L. monocytogenes. By performing validation of the models with two
independent replicates of the same dynamic temperature profile, it emerged that the dynamic
model of the first replicate was more efficient and thus the existence of variability within the
product of chicken nuggets was confirmed.
