Les techniques intelligentes de séchage des aliments avec l'IA améliorent la qualité et l'efficacité des produits
Le séchage des aliments est un processus courant de conservation de nombreux types d'aliments, y compris les fruits et la viande. Cependant, le séchage peut altérer la qualité et la valeur nutritionnelle des aliments. Ces dernières années, les chercheurs ont mis au point des techniques de précision qui utilisent des capteurs optiques et l'intelligence artificielle pour faciliter un séchage plus efficace. Une nouvelle étude de l'université de l'Illinois Urbana-Champaign examine trois techniques émergentes de séchage intelligent et fournit des informations pratiques pour l'industrie alimentaire.
Des chercheurs de l'Illinois ont étudié des techniques de détection optique pour le séchage intelligent des aliments, en testant les systèmes sur des tranches de pommes.
College of ACES
"Avec les systèmes de séchage traditionnels, il faut prélever des échantillons pour contrôler le processus. Mais avec le séchage intelligent, ou séchage de précision, vous pouvez surveiller le processus en continu et en temps réel, ce qui améliore la précision et l'efficacité", explique l'auteur correspondant, Mohammed Kamruzzaman, professeur adjoint au département d'ingénierie agricole et biologique (ABE), qui fait partie du College of Agricultural, Consumer and Environmental Sciences et du Grainger College of Engineering de l'Illinois.
Dans cet article, les chercheurs passent en revue la littérature académique sur les différents types d'équipements qui appliquent des techniques de précision pour améliorer les capacités de séchage intelligent dans l'industrie alimentaire.
Ils se concentrent sur trois systèmes de détection optique - l'imagerie RVB avec vision par ordinateur, la spectroscopie dans le proche infrarouge (NIR) et l'imagerie hyperspectrale dans le proche infrarouge (NIR-HSI) - et examinent les mécanismes, les applications, les avantages et les limites de chacun d'entre eux. Ils donnent également un aperçu des méthodes de séchage industriel standard, telles que la lyophilisation, la pulvérisation, les micro-ondes ou le séchage au four à air chaud, qui peuvent être combinées avec les techniques de surveillance de précision.
"Vous pouvez utiliser chacun des trois capteurs séparément ou en combinaison. Votre choix dépendra du système de séchage, de vos besoins et de la rentabilité", explique l'auteur principal, Marcus Vinicius da Silva Ferreira, chercheur postdoctoral à l'ABE.
Le système RVB avec vision par ordinateur utilise une caméra ordinaire qui capture la lumière visible avec un spectre de couleurs RVB. Elle peut fournir des informations sur les caractéristiques de la surface, telles que la taille, la forme, la couleur et les défauts, mais elle n'est pas capable de mesurer la teneur en humidité.
La spectroscopie proche infrarouge utilise la lumière infrarouge pour mesurer l'absorbance de différentes longueurs d'onde, qui peuvent être corrélées à des caractéristiques chimiques et physiques uniques du produit, et elle peut mesurer des qualités internes telles que la teneur en eau. Cependant, le proche infrarouge analyse un point à la fois.
Cela peut fonctionner pour un seul produit, comme une tranche de pomme, du moins dans un premier temps, explique M. Kamruzzaman.
"Mais au fur et à mesure que le séchage progresse, le matériau se rétrécit et devient hétérogène, en raison de la fissuration et de la flexion. Si vous utilisez le proche infrarouge à ce stade, et si vous ne scannez qu'un seul point, vous ne pouvez pas mesurer la vitesse de séchage", a-t-il fait remarquer.
La NIR-HSI est la plus complète des trois techniques. Elle balaie toute la surface du produit et fournit donc des informations beaucoup plus précises sur la vitesse de séchage et d'autres caractéristiques que le proche infrarouge seul, puisqu'elle extrait des informations spatiales et spectrales tridimensionnelles. Cependant, le NIR-HSI est également beaucoup plus coûteux que les deux autres capteurs. L'équipement coûte 10 à 20 fois plus cher que les capteurs NIR et 100 fois plus que les caméras RVB. En outre, les exigences en matière de maintenance et de calcul pour la HSI sont nettement plus élevées, ce qui accroît encore le coût total.
Les trois méthodologies doivent être associées à l'IA et à l'apprentissage automatique pour traiter les informations, et les modèles doivent être formés pour chaque application spécifique. Là encore, l'IHM nécessite une plus grande puissance de calcul que les deux autres systèmes en raison de la grande quantité de données qu'elle recueille.
Les chercheurs ont également développé leur propre système de séchage pour tester les différentes méthodes. Ils ont construit un four à chaleur convective et ont testé les techniques sur le séchage de tranches de pommes. Ils ont d'abord combiné le système avec RGB et NIR ; plus tard, ils ont également testé le système NIR-HSI, dont ils prévoient d'analyser les résultats dans un prochain article.
"Pour la surveillance en temps réel, la convergence de l'imagerie RGB, des capteurs spectroscopiques NIR et du NIR-HSI avec l'IA représente un avenir transformateur pour le séchage des aliments. L'intégration de ces technologies permet de surmonter les limites de la surveillance conventionnelle des processus de séchage et de renforcer les capacités de surveillance en temps réel", concluent-ils dans l'article.
Le développement futur d'appareils NIR-HSI portables permettra une surveillance continue des systèmes de séchage, offrant un contrôle de la qualité en temps réel dans une variété d'environnements d'exploitation, ont-ils noté.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Marcus Vinicius da Silva Ferreira, Md Wadud Ahmed, Marciano Oliveira, Sanjay Sarang, Sheyla Ramsay, Xue Liu, Amir Malvandi, Youngsoo Lee, Mohammed Kamruzzaman; "AI-Enabled Optical Sensing for Smart and Precision Food Drying: Techniques, Applications and Future Directions"; Food Engineering Reviews, 2024-11-20
Autres actualités du département science
