Τα τελευταία χρόνια παρατηρείται μεγάλη αύξηση στην κατανάλωση κόκκινου κρέατος. Ταυτόχρονα με την αύξηση της κατανάλωσης αυξάνονται τόσο η σπάταλη του κρέατος όσο και εξαπάτηση των καταναλωτών με υποκατάσταση του επιθυμητού προϊόντος με άλλο κατώτερης ποιότητας. Για να αποφευχθούν τα παραπάνω είναι ζωτικής σημασίας να αναπτυχθούν γρήγορες και μη επεμβατικές τεχνικές που θα μας δίνουν άμεση πληροφορία σχετικά με την κατάσταση του κρέατος. Βασικός στόχος της παρούσας μελέτης ήταν η συλλογή δεδομένων με την χρήση φασματοσκοπικών τεχνικών (FTIR, MSI) ώστε να αναπτυχθούν μοντέλα εκμάθησης τόσο για τον προσδιορισμό της ΟΜΧ σε μοσχαρίσιο κρέας όσο και για την ανίχνευση της νοθείας σε μίγματα (ωμά και ψημένα ) μοσχαρίσιου με χοιρινό κρέας.
Για τον λόγο αυτό αρχικά μοσχαρίσιο κρέας συντηρήθηκε στους 0, 5 και 10ο C σε αερόβιες συνθήκες αλλά και συνθήκες τροποποιημένης ατμόσφαιρας (80% O2- 20% CO2). Έγιναν 2 ανεξάρτητα πειράματα για κάθε συνθήκη συντήρησης. Όσον αφορά την εκμάθηση των μοντέλων σε κάθε περίπτωση χρησιμοποιήθηκαν τα αποτελέσματα τις ΟΜΧ των 0 και 10οC για την εκπαίδευση των μοντέλων και των 5οC για την πρόβλεψη. Σαν ανεξάρτητες μεταβλητές χρησιμοποιήθηκαν τα φασματοσκοπικά δεδομένα (n=900 για FTIR, n=36 για MSI) και ως εξαρτημένη ο πληθυσμός της ΟΜΧ. Συνολικά αναλύθηκαν 241 δείγματα. Για τον προσδιορισμό της ΟΜΧ πέραν των κλασικών μικροβιολογικών, τα μοντέλα αναπτυχθήκαν με την εφαρμογή της γραμμικής παλινδρόμησης μερικών ελαχίστων τετραγώνων (PLS-R). Τα μοντέλα εμφάνισαν καλή επίδοση για τις αερόβιες συνθήκες με RMSE και R2 κατά την πρόβλεψη 0.80 και 0.77 αντίστοιχα για τα δεδομένα του FTIR. Για τις συνθήκες τροποποιημένης ατμόσφαιρας κατά την πρόβλεψη τα RMSE και R2 ήταν 0.67 και 0.84 αντίστοιχα για τα δεδομένα που προέρχονται από MSI.
Για την ανίχνευση της νοθείας έγιναν 5 ανεξάρτητα πειράματα σε μίγματα χοιρινού και μοσχαρίσιου κρέατος 9 επίπεδα νοθείας με 10% αύξηση ετοιμάστηκαν για τα batches 2 και 3, ενώ 4 επίπεδα για το batch 1 και 6 για τα batch 4 και 5. Σε κάθε περίπτωση υπήρχαν και 2 καθαρά επίπεδα, ένα για το χοιρινό και ένα για το μοσχαρίσιο κρέας. Συνολικά ετοιμάστηκαν 340 δείγματα. Τα φασματοσκοπικά δεδομένα συλλέχθηκαν στα ωμά δείγματα, τα οποία στη συνέχεια ψήθηκαν τα μισά στο φούρνο και τα υπόλοιπα τηγάνι και συλλέχθηκαν εκ νέου φασματοσκοπικά δεδομένα. Όσον αφορά την ανάπτυξη των μοντέλων το 75% των δειγμάτων, με τυχαία αλλά αντιπροσωπευτική για κάθε κλάση και παρτίδα κατανομή, χρησιμοποιήθηκε για την εκμάθηση των μοντέλων καθώς το 25% για την πρόβλεψη. Σαν ανεξάρτητες μεταβλητές χρησιμοποιήθηκαν τα φασματοσκοπικά δεδομένα (n=940 για FTIR, n=36 για MSI) και ως εξαρτημένη η κλάση νοθείας. Τα μοντέλα αναπτύχθηκαν με την εφαρμογή της διακριτικής ανάλυσης των μερικών ελάχιστων τετραγώνων (PLS-DA) για την κατανομή των δειγμάτων στη σωστή κλάση. Αυτό αρχικά έγινε για όλες τις επιμέρους κλάσεις νοθείας αλλά λόγω χαμηλών ποσοστών συνολικής ακρίβειας στην κατηγοριοποίηση των δειγμάτων αναπτύχθηκαν εκ νέου μοντέλα 3 κλάσεων (καθαρό μοσχάρι, καθαρό χοιρινό και νοθευμένα δείγματα). Τα ποσοστά συνολικής ακρίβειας της πρόβλεψης για την περίπτωση των ωμών δειγμάτων ήταν 89.87% και 92.16% για τα δεδομένα που προέρχονται από MSI και FTIR αντίστοιχα. Στα ψημένα στο φούρνο δείγματα τα αντίστοιχα ποσοστά ήταν 82.50% και 85.00%, ενώ για τα δείγματα ψημένα στο τηγάνι 92.5% και 87.50%.
Lately the consumption of red meat is constantly increasing. At the same time, food waste and food fraud are also augmenting. To avoid this, it is of a vital need to develop quick and non-invasive techniques, that will allow the consumer to have immediate information about the meat product’s microbiological state and authenticity. The main goal of this research was to collect data using spectral techniques (MSI, FTIR), which combined with machine learning models would allow the determination of TVC in beef and the detection of adulteration in mixtures of beef and pork in raw and cooked samples.
For this reason, minced beef was stored at isothermal conditions of 0, 5 and 10οC in aerobic and modified atmosphere packaging (80% O2- 20% CO2). For each packaging two independent experiments were performed. Regarding to the development of the machine learning models the data of TVC acquired from classic microbiological techniques from 0 and 10οC were used for training whereas the data from 5ºC were used for external validation. The independent variables were in every case the spectral data (n=900 for FTIR, n=36 for MSI) and as the dependent variable the TVC data. A total of 241 samples were prepared. Therefore, to determine TVC the models were developed using Partial Least Squares-Regression (PLS-R). PLS-R models exhibited good performance for the prediction of TVC during aerobic storage with RMSE and R2 0.80 and 0.77 respectively for the data acquired from FTIR. For modified atmosphere packaging the RMSE and R2 were 0.67 and 0.84 respectively for the data acquired from MSI.
For the detection of adulteration 5 independent experiments were performed in mixtures of minced beef and pork. 9 levels of adulteration with 10% increments were prepared for batches 2 and 3, while 4 levels were prepared for batch 1 and 6 levels for batches 4 and 5. In each case there were 2 pure samples for pure beef and pure pork. A total number of 340 samples were prepared. The spectral data were acquired from raw samples, which later were oven- and pan-cooked and new spectral data were acquired. For the development of the machine learning models the 75% of the samples, randomly selected and representative of each batch and level, were used for model’s training while 25% were used for external validation. The independent variables were in every case the spectral data (n=940 for FTIR, n=36 for MSI) and as the dependent variable the level of adulteration. Models were developed using Partial Least Square- Discriminant Analysis (PLS-DA) for the classification of the samples. This initially was performed using all the adulteration levels as variables, but due to low total accuracy scores, models were developed again using only 3 levels (pure beef, pure pork and adulterated). Total accuracy score for prediction of the raw samples was 89.87% and 92.16% for data acquired from MSI and FTIR respectively. For the oven-sample the same percentages were 82.50% and 85.00%, while for the pan-cooked samples were 92.50% and 87.50%
