Χρήση πολυφασματικής απεικόνισης για τη μη καταστρεπτική εκτίμηση της θερμικής επεξεργασίας προϊόντων με βάση την τομάτα

Abstract

Η ανοδική τάση στις καλλιέργειες τομάτας αντικατοπτρίζει την αυξημένη ζήτηση για φρέσκες και υγιεινές τροφές, αλλά και το ενδιαφέρον του καταναλωτικού κοινού για τα προϊόντα το-μάτας. Ωστόσο, στη σύγχρονη εποχή, το καταναλωτικό κοινό εστιάζει ιδιαίτερα τόσο στην ποιότητα όσο και στην ασφάλεια των τελικών προϊόντων. Μια ταχεία και μη επεμβατική μέ-θοδος που εφαρμόζεται στον τομέα τροφίμων με στόχο την παραγωγή ποιοτικών και ασφα-λών προϊόντων, είναι η πολυφασματική ανάλυση εικόνας. Απώτερος σκοπός της παρούσας μεταπτυχιακής διατριβής είναι η μελέτης της αποτελεσματικότητας της εφαρμογής της πολυ-φασματικής απεικόνισης στην εκτίμηση του χρόνου θερμικής καταστροφής (F-value) των οξυγαλακτικών βακτηρίων και των θερμόφιλων σπορογόνων μικροοργανισμών σε προϊόντα τομάτας. Πιο συγκεκριμένα, έγινε προσπάθεια συσχέτισης των ποιοτικών παραμέτρων ιξώδες κατά Bostwick, βαθμοί Brix, pH και των 19 παρατηρήσεων/ανακλάσεων από το Videometer με την τιμή F-value που επιτυγχάνεται κατά την θερμική επεξεργασία. Για το σκοπό αυτό, διεξήχθησαν ποιοτικές και μικροβιολογικές αναλύσεις των προϊόντων, μελέτη σταθερότητάς τους στους 37°C και 55°C για 7 ημέρες, καθώς και λήψη εικόνων των τελικών προϊόντων με τη βοήθεια του οργάνου Videometer Lab 4. Όσον αφορά στη δημιουργία των μοντέλων εκμάθησης, τα δεδομένα που αξιοποιήθηκαν ήταν οι τιμές των ποιοτικών παραμέτρων ιξώδες κατά Bostwick, βαθμοί Brix, pH και των 19 πα-ρατηρήσεων/ανακλάσεων από το Videometer. Τα δεδομένα υπέστησαν κανονικοποίηση au-toscale/ rangescale, ενώ τα δεδομένα των ανακλάσεων μετασχηματίστηκαν και σε κανονικές τυπικές μεταβλητές με μετασχηματισμό SNV. Οι αλγόριθμοι που χρησιμοποιήθηκαν ήταν η γραμμική παλινδρόμηση με τη μέθοδο μερικών ελαχίστων τετραγώνων (PLS-R) και οι μηχα-νές διανυσμάτων υποστήριξης (SVMs). Ως ανεξάρτητες μεταβλητές (X) ορίστηκαν οι μετρή-σεις ιξώδους κατά Bostwick, οι βαθμοί Brix, το pH και τα πολυφασματικά δεδομένα (n=19) και ως εξαρτημένη μεταβλητή (Y) ο χρόνος θερμικής καταστροφής (F-value). Η προσαρμογή του μοντέλου για το σύνολο των προϊόντων τομάτας ήταν ικανοποιητική, με το 72% της συ-νολικής διακύμανσης να μπορεί να εξηγηθεί από το μοντέλο. Ωστόσο, κρίθηκε αναγκαία η κατηγοριοποίηση των προϊόντων με στόχο την επίτευξη καλύτερης συσχέτισης. Για τα προϊό-ντα της κατηγορίας Ketchup, το μοντέλο PLS-R έδειξε πολύ καλή επίδοση με 99% ερμηνεία της συνολικής διακύμανσης, για τα προϊόντα Passata 79-88%, για τα προϊόντα Tomato Paste 94,66% και για τα προϊόντα Crushed Tomatoes οδήγησε σε 88% εξήγηση της διακύμανσης των μεταβλητών. Οι μηχανές διανυσμάτων υποστήριξης (SVMs) οδήγησαν σε καλή επίδοση για το σύνολο των προϊόντων, αλλά δεν έδωσαν το ίδιο αποτέλεσμα για τις επιμέρους κατη-γορίες προϊόντων λόγω των μειωμένων βαθμών ελευθερίας. Συμπερασματικά, παρατηρήθηκε ότι μπορεί να υπάρξει ουσιαστική συσχέτιση των ποιοτικών παραμέτρων των τελικών προϊόντων τομάτας και των ανακλάσεων από το Videometer, με τον εντοπισμό πιθανής αστοχίας κατά τη θερμική επεξεργασία. Τα γραμμικά μοντέλα PLS-R κατάφεραν να αποδώσουν σε αρκετά ικανοποιητικό επίπεδο στην πρόβλεψη της τιμής F-value, που επιτυγχάνεται κατά τη θερμική επεξεργασία. Η βελτίωση της απόδοσης των μοντέλων δύναται να επιτευχθεί με την αύξηση των δειγμάτων.

The upward trend in tomato cultivation reflects the increased demand for fresh and healthy foods, as well as the consumer’s interest in tomato products. However, in the modern era, consumers are particularly focused on both the quality and safety of the final products. Multispectral imaging is a rapid and non-invasive method applied in the food industry to produce quality and safe products. The main objective of this thesis is to study the effectiveness of applying multispectral imaging in estimating the thermal destruction time (F-value) of lactic acid bacteria and thermophilic spore-forming microorganisms in tomato products. Specifically, an attempt was made to correlate the quality parameters of Bostwick viscosity, Brix degrees, pH, and the 19 observations/reflectances from Videometer with the F-value achieved during thermal processing. For this purpose, qualitative and microbiological analyses of the products were conducted, stability studies at 37°C and 55°C for 7 days were performed and images of the final products were taken using the Videometer Lab 4 instrument. For the construction of all types of machine learning models, the data used were the values of the quality parameters Bostwick viscosity, Brix degrees, pH, and the 19 spectral data (n=19), treated with autoscale/rangescale normalization, while the reflection data were transformed into normal variates using SNV transformation. The algorithms used were par-tial least squares regression (PLS-R) and support vector machines (SVMs). The independent variables (X) were defined as measurements of Bostwick viscosity, Brix degrees, pH, and multispectral data, while the dependent variable (Y) was the thermal destruction time (F-value). The adaptation of the model for the entire product set was satisfactory, explaining 72% of the total variance. However, categorization of the products was deemed necessary for better correlation. For Ketchup products, the PLS-R model showed excellent perfor-mance with 99% interpretation of the total variance, for Passata products 79-88%, for Toma-to Paste products 94.66%, and for Crushed Tomatoes products, led to 88% explanation of the total variance. Supporting Vector Machines (SVMs) exhibited good performance for the global data, but when applied to individual product categories exhibited poor performance, due to reduced degrees of freedom. In conclusion, a significant correlation was observed between the quality parameters of to-mato products, the reflections from Videometer and potential errors that could arise during thermal processing. The linear PLS-R models managed to perform at a reasonably satisfac-tory level in predicting the F-value achieved during thermal processing. However, a higher number of training data could improve model performance and accuracy.