Η μεγαλύτερη πρόκληση που αντιμετωπίζει σήμερα η βιομηχανία τροφίμων είναι (α) η εξασφάλιση επαρκών ποσοτήτων προκειμένου να καλυφθούν οι ανάγκες του πληθυσμού σε παγκόσμιο επίπεδο (Food Security), και (β) η διασφάλιση της ποιότητας και της ασφάλειας των τροφίμων (Food Safety). Οι στόχοι αυτοί συνδέονται άμεσα με την δυνατότητα εκτίμησης της μικροβιολογικής ποιότητας των τροφίμων, και είναι δυνατόν να αποτελέσει παράγοντα κινδύνου σε ότι αφορά στην ασφάλεια του τρόφιμου για τον τελικό καταναλωτή, άλλα επίσης παράγοντα αλλοίωσης, αυξάνοντας τις απώλειες των τροφίμων σε παγκόσμια κλίμακα. Το πρόβλημα εντείνεται εάν συνυπολογίσουμε το γεγονός ότι έως τώρα η πλειοψηφία των τεχνικών που εφαρμόζονται για την εκτίμηση της ποιότητας των τροφίμων βασίζονται σε χημικές ή μικροβιολογικές αναλύσεις, που είναι χρονοβόρες, έχουν υψηλό κόστος, απαιτούν εξειδικευμένο προσωπικό για να πραγματοποιηθούν και παρέχουν ετεροχρονισμένα αποτελέσματα. Στο πλαίσιο αυτό, το ενδιαφέρον στρέφεται στην εκμετάλλευση των ραγδαία αναπτυσσόμενων νέων τεχνολογιών, με σκοπό την ανάπτυξη ταχέων, μη επεμβατικών τεχνικών για την εκτίμηση της ποιότητας των τροφίμων σε μικρότερο χρόνο συγκριτικά με τις κλασικές μικροβιολογικές τεχνικές. Στην παρούσα μελέτη, χρησιμοποιώντας αλγορίθμους επιβλεπόμενης μηχανικής μάθησης αναγνώρισης εικόνας, αλλά και παλινδρόμηση μερικών ελαχίστων τετραγώνων (Partial Least Squares Regression, PLSR) για την επεξεργασία πολυφασματικών δεδομένων από φυσικές μαύρες επιτραπέζιες ελιές και φιλέτα κοτόπουλου σε διαφορετικές συνθήκες συντήρησης, δημιουργήθηκαν μοντέλα κατηγοριοποίησης των τροφίμων με βάση τον διαχωρισμό τους σε φρέσκα ή αλλοιωμένα, αλλά και πρόβλεψης της ολικής μικροβιακής χλωρίδας (ΟΜΧ) και του πληθυσμού των ψευδομονάδων. Τα αποτελέσματα έδειξαν ότι είναι δυνατή η ανάπτυξη ικανοποιητικών μοντέλων αναφορικά με την εκτίμηση της μικροβιολογικής ποιότητας σε φιλέτα κοτόπουλου με βάση την τιμή του συντελεστή προσδιορισμού (R2 = 0,89), όχι όμως το ίδιο αποτελεσματικά για τις μαύρες επιτραπέζιες ελιές, όπου ο συντελεστής προσδιορισμού είχε μη ικανοποιητικές τιμές (R2= 0,053). Αυτό μας οδηγεί στο συμπέρασμα ότι ο συνδυασμός της παλινδρόμησης μερικών ελάχιστών τετραγώνων με πολυφασματικά δεδομένα ως μεταβλητές εισόδου και μικροβιακό πληθυσμό ως μεταβλητή εξόδου, μπορεί να είναι αρκετά αποτελεσματικός στην εκτίμηση της μικροβιολογικής ποιότητας των τροφίμων. Ειδικότερα στην περίπτωση της συσκευασμένης φυσικής μαύρης επιτραπέζιας ελιάς, η συσχέτιση των φασμάτων με τον πληθυσμό της ολικής μικροβιακής χλωρίδας δεν ήταν ικανοποιητική, πιθανότητα λόγω της φύσης του τρόφιμου, όπου ο μικροβιακός πληθυσμός παραμένει σταθερός ή παρουσιάζει μικρές μεταβολές κατά τη διάρκεια της συντήρησης, με αποτέλεσμα η συσχέτισή του με φασματικά δεδομένα να μην είναι ικανοποιητική.
One of the major challenges of the food industry today is (a) to ensure enough food quantities to cover the needs of the global population (Food Security) and (b) to ensure the quality and safety of food supply (Food Safety). These challenges are directly associated with the need for assessment of the microbiological quality in foods, that can not only be a risk factor regarding the safety of the consumer, but also result in food spoilage. This issue becomes more important taking into account that food quality and safety inspection requires microbiological analysis that is expensive, destructive to the sample, laborious, require skilled personnel and provide retrospective results. Consequently, there is need for rapid and non-invasive technologies for the assessment of the microbiological quality of foods in a short time. The purpose of this study was to develop models for the prediction of the total viable counts (TVCs) and the population of pseudomonads in selected foods (packaged natural black table olives and chicken breast fillets) using machine learning algorithms for image recognition, as well as partial least squares regression (PLSR). The results indicated that it was possible to develop sufficient predictive models for the assessment of the microbiological quality of chicken breast fillets, with R2 value of 0.89. However, in the case of packaged natural black olives the results were not satisfactory, as the acquired spectra could not describe the changes in the evolution of microorganisms of the surface of olives (R2 = 0.053). Consequently, coupling PLSR with multispectral data as input variables and TVC or Pseudomonas spp. counts as output variables can be a very effective technique that will allow the assessment of the microbiological quality of foods based on spectral data. It must be underlined, however, that the association between spectral data and microbial counts was not effective in the case of table olives. This could be attributed to the fact that the population of microorganisms on the surface of olives did not present a clear increasing or decreasing trend during storage, but it remained unchanged with slight changes, and thus no effective association of the microbial counts with spectral data could be established.
