Les spectres proche infrarouge utilisés pour le contrôle de la qualité des aliments sont assez complexes à analyser. Ils contiennent des harmoniques et des spectres combinés à large bande et d'intensité inférieure de quelques ordres de grandeur à celle de la bande fondamentale de l'infrarouge moyen1,2. Voici un exemple de spectre proche infrarouge.
La figure 1 montre un spectre proche infrarouge typique.
Figure 1 : Un spectre proche infrarouge typique avec des bandes combinées et des harmoniques.
De nombreux fournisseurs de produits alimentaires et nutritionnels recherchent un instrument portable proche infrarouge capable de mesurer et de trier les ingrédients de leurs matières premières. Il ne s'agit pas seulement d'un défi matériel : la mesure du spectre de réflectance par le matériel et sa conversion en spectre d'absorption par l'application ne constituent que la première étape du processus. Le plus difficile est d'utiliser un modèle chimiométrique tel qu'une analyse en composantes principales (ACP) pour le tri/l'identification ou un modèle des moindres carrés partiels (PLS) pour les prédictions quantitatives. Chaque modèle doit avoir son propre ensemble de spectres d'étalonnage, de préférence accessibles via une plateforme cloud. Finalement, une application doit assurer une communication bidirectionnelle avec le cloud. Les mesures prises par l'instrument sont directement enregistrées dans le nuage, qui, à son tour, exécute le modèle spécifique et retourne les résultats de l'évaluation à l'utilisateur. Ainsi, par exemple, un opérateur non qualifié pourrait effectuer toutes les mesures d'une simple pression sur un bouton et classer ou quantifier les objets testés rapidement et avec précision.
Allied Scientific Pro (ASP) propose le spectromètre Nirvascan, un spectrophotomètre portatif qui mesure le spectre de réflectance d'un objet dans la plage de 900 à 1700 nm. La figure 2 illustre le modèle réfléchissant mesurant les grains de blé afin de déterminer leur teneur en protéines et en humidité.
Figure 2 : Instrument Nirvascan mesurant à partir de grains de blé
Bien que le développement d'une application infonuagique soit un objectif à court terme, ASP a jeté les bases en développant un nuage sur PC appelé NirvaCloud. Il est possible de télécharger des spectres et de les classer par groupe sous un profil NIR. Il est ainsi possible de tracer simultanément des profils NIR contenant des centaines de spectres de raisins de cuve, par exemple. La figure 3 illustre le tracé d'un profil NIR de raisin.
Figure 3 : Profil NIR des raisins
Il est possible de tracer simultanément des profils NIR contenant des centaines de spectres de raisins de cuve, par exemple. La figure 3 illustre le tracé d'un profil NIR de raisin. Il est possible de créer un modèle ACP ou un modèle PLS à partir de différents ensembles de profils NIR et de les appliquer à un ensemble de test. À titre d'exemple, le modèle ACP suivant a été créé à partir des profils NIR de raisin, de blé dur moulu, de tomate et d'ail, comme illustré à la figure 3.
Figure 4 : Un modèle PCA composé d’ail, de blé dur moulu, de tomate et de raisin.
On peut faire une correspondance de nuages en appliquant un modèle à un spectre inconnu. Dans l'exemple ci-dessous, un modèle composé de vitamines, de tomates et de raisins a été comparé à un spectre de vitamines (le carré gris) et a été correctement identifié, comme illustré à la figure 5.
Figure 5 : Correspondance des nuages à l'aide de Nirva-Cloud
Nirva-Cloud est aussi capable de faire des prédictions quantitatives en créant des modèles PLS à partir d'un jeu de données d'étalonnage et en les appliquant à un jeu de validation. Il est important de noter que le prétraitement des données améliore le R² de la prédiction, car il élimine les décalages et rend les pics d'absorption plus visibles. La figure 6 présente un jeu de données NIR de raisins et ses données prétraitées correspondantes après l'application de la dérivée seconde et d'un filtre Savitzky-Golay pour éliminer le bruit. Le prétraitement des données peut être effectué directement par Nirva-Cloud.
Figure 6 : Comparaison des spectres bruts des raisins avec leurs spectres prétraités
Le modèle PLS réalisé à partir des spectres de raisin prétraités a été appliqué à l'ensemble de validation de raisin prétraité et les prédictions suivantes ont été obtenues comme indiqué dans la figure 7.
Figure 7 : Un R-carré de 0,87 est obtenu pour la prédiction PLS après prétraitement des spectres
Si le prétraitement n'avait pas été effectué, le R-carré aurait été proche de 0,5.
Le service infonuagique est offert aux clients avec un essai gratuit de trois mois, après quoi des frais d'abonnement seront facturés. Les clients ont aussi la possibilité de contribuer à la bibliothèque infonuagique en partageant leurs données et en percevant éventuellement des redevances.
Références :
1- Dahm DJ, Dahm KD. 2001. La physique de la diffusion dans le proche infrarouge. Dans Williams P, Norris K, éditeurs. Technologie du proche infrarouge dans les industries agricoles et alimentaires, 2e éd., Saint Paul : American Association of Cereal Chemists, p. 19-37.
2- C.E. Miller, « Principes chimiques de la technologie du proche infrarouge », chapitre 2 de Near Infrared Technology: In the Agricultural and Food Industry, P. Williams et K. Norris (éditeurs), Amer. Assn. de Cereal Chemists ; 2e éd. (15 novembre 2001).