FR2829578A1 - Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables - Google Patents
Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables Download PDFInfo
- Publication number
- FR2829578A1 FR2829578A1 FR0111631A FR0111631A FR2829578A1 FR 2829578 A1 FR2829578 A1 FR 2829578A1 FR 0111631 A FR0111631 A FR 0111631A FR 0111631 A FR0111631 A FR 0111631A FR 2829578 A1 FR2829578 A1 FR 2829578A1
- Authority
- FR
- France
- Prior art keywords
- quality
- product
- chemical
- products
- context data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 4
- 230000008569 process Effects 0.000 title claims description 11
- 239000000126 substance Substances 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims abstract description 33
- 150000001875 compounds Chemical class 0.000 claims abstract description 21
- 150000004706 metal oxides Chemical class 0.000 claims abstract description 15
- 229910044991 metal oxide Inorganic materials 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 241000251468 Actinopterygii Species 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 8
- 241001465754 Metazoa Species 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 235000014102 seafood Nutrition 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 58
- 239000003570 air Substances 0.000 description 53
- 235000019688 fish Nutrition 0.000 description 34
- 230000007935 neutral effect Effects 0.000 description 22
- 210000001331 nose Anatomy 0.000 description 13
- 230000004044 response Effects 0.000 description 9
- 241000894007 species Species 0.000 description 9
- 241000269907 Pleuronectes platessa Species 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 239000003039 volatile agent Substances 0.000 description 6
- 150000001412 amines Chemical class 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 5
- 238000000855 fermentation Methods 0.000 description 5
- 230000004151 fermentation Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 208000035404 Autolysis Diseases 0.000 description 3
- 206010057248 Cell death Diseases 0.000 description 3
- ROSDSFDQCJNGOL-UHFFFAOYSA-N Dimethylamine Chemical compound CNC ROSDSFDQCJNGOL-UHFFFAOYSA-N 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 3
- 108010054147 Hemoglobins Proteins 0.000 description 3
- 241001125929 Trisopterus luscus Species 0.000 description 3
- 150000001298 alcohols Chemical class 0.000 description 3
- 150000001299 aldehydes Chemical class 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 229920000915 polyvinyl chloride Polymers 0.000 description 3
- 239000004800 polyvinyl chloride Substances 0.000 description 3
- 230000028043 self proteolysis Effects 0.000 description 3
- 210000001835 viscera Anatomy 0.000 description 3
- IKHGUXGNUITLKF-UHFFFAOYSA-N Acetaldehyde Chemical compound CC=O IKHGUXGNUITLKF-UHFFFAOYSA-N 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 241000252100 Conger Species 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 241001417096 Merluccius vulgaris Species 0.000 description 2
- 102000008934 Muscle Proteins Human genes 0.000 description 2
- 108010074084 Muscle Proteins Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 239000012080 ambient air Substances 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003446 memory effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 235000019645 odor Nutrition 0.000 description 2
- 239000002985 plastic film Substances 0.000 description 2
- 229920006255 plastic film Polymers 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- UYPYRKYUKCHHIB-UHFFFAOYSA-N trimethylamine N-oxide Chemical compound C[N+](C)(C)[O-] UYPYRKYUKCHHIB-UHFFFAOYSA-N 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001519451 Abramis brama Species 0.000 description 1
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241001123248 Arma Species 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241001466128 Chelidonichthys Species 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 235000019687 Lamb Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000276489 Merlangius merlangus Species 0.000 description 1
- 241001527054 Microstomus kitt Species 0.000 description 1
- 241001502127 Mullus barbatus Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 241001125046 Sardina pilchardus Species 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 241000782099 Squaliformes Species 0.000 description 1
- 241000212749 Zesius chrysomallus Species 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001476 alcoholic effect Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 235000015278 beef Nutrition 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002255 enzymatic effect Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000002816 gill Anatomy 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000009372 pisciculture Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013558 reference substance Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 235000019512 sardine Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 150000003464 sulfur compounds Chemical class 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/12—Meat; Fish
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
L'invention concerne un procédé de contrôle non destructif de la qualité de fraîcheur d'une unité de produits périssables par analyses optique et chimique dans un appareil comportant des moyens informatiques, l'analyse optique étant des mesures sur au moins une image, l'analyse chimique étant des mesures avec des capteurs électroniques à oxyde métallique des composés volatils des produits. Selon l'invention, le procédé comporte une phase d'apprentissage initiale avec analyses optique et chimique et enregistrement des résultats dans un fichier d'apprentissage avec au moins une donnée de contexte et un résultat d'évaluation par un expert humain de la qualité de fraîcheur selon une norme prédéfinie; une phase de modélisation initiale de détermination par un moyen de classification de données d'un modèle; une phase de contrôle automatisé au cours de laquelle on détermine la qualité de fraîcheur par application des résultats de contrôle et données de contexte de contrôle sur le modèle. Un dispositif avec chambre de mesure est également revendiqué. L'invention est applicable aux produits de la mer dans une criée.
Description
<Desc/Clms Page number 1>
La présente invention concerne un procédé de contrôle non destructif de la qualité de fraîcheur d'une unité de produits périssables ainsi qu'un dispositif pour mise en oeuvre. Elle permet d'évaluer d'une manière standardisée et automatisée ou semiautomatisée, la fraîcheur de produits périssables selon une norme prédéfinie. Elle est plus particulièrement, mais pas exclusivement, applicable aux produits de la mer ou de pisciculture en eau douce ou non et, en particulier, dans les criées ou centres de négoce ou distribution en gros où les produits sont en général dans des bacs isothermes ou non et empilés sur plusieurs couches en vrac.
Le poisson est un produit fragile dont la dégradation, très rapide, dépend de nombreux facteurs. Il est communément admis que la qualité du poisson est donnée par le pêcheur lui-même.
Selon le type de la capture, la nature de la saignée, le nettoyage ou le glaçage... la qualité du poisson débarqué ainsi que la rapidité de son vieillissement seront totalement différentes.
L'évaluation de la fraîcheur dans le secteur du poisson est généralement une l'évaluation sensorielle subjective effectuée par un spécialiste expérimenté. Il a également été proposé d'utiliser des méthodes instrumentales pour rendre l'analyse de la qualité plus objective. Toutefois, la plupart de ces mesures ne conviennent pas à une approche industrielle en relation avec les activités de la filière pêche. Ainsi les texturomètres sont trop sensibles aux conditions d'acquisition. Les analyses micro-structurelles ou chimiques détaillées nécessitent des appareils trop coûteux et trop complexes (préparations, personnel spécialisé...) ou peu adaptables en environnement difficile (microscopie, chromatographes...). De plus les mesures instrumentales doivent êtres validées par les professionnels afin de correspondre à l'échelle de qualité en cours. D'autre part, certaines de ces méthodes présentent le défaut d'être destructrices et de faire perdre de la valeur économique au produit comme dans le cas où des prélèvements sont effectués pour des mesures des composés biochimiques, des mesures mécaniques... Il est donc souhaitable de disposer d'un procédé non destructif et automatisé de contrôle
<Desc/Clms Page number 2>
de la qualité des produits afin d'au moins conserver la valeur économique du produit, voire de l'augmenter par réduction des coûts et/ou détection et correction précoce de problèmes de qualité.
Dans le cas du poisson, le contrôle de la qualité se fait initialement au sein même de la criée. En effet, la première interface dans la chaîne de commercialisation des produits de la mer est l'interface Producteur-Mareyeur. C'est à ce niveau que, selon la qualité, les produits ont une cotation qui ne cessera d'augmenter jusqu'à l'achat par le consommateur final. La qualité d'un lot est le critère prépondérant qui détermine sa mise à prix à la vente à la criée. Cette qualité est actuellement fixée par un expert humain après une analyse essentiellement visuelle, d'où la notion de subjectivité qui va à l'encontre de la reproductibilité et d'aspects normatifs souhaités.
La qualité de la chair est étroitement liée à sa structure protéique et aux réactions biochimiques intrinsèques. Après la prise ou capture, les premières modifications sont dues aux enzymes endogènes, puis s'y combine ensuite l'effet du développement bactérien. L'autolyse des protéines (des muscles, des viscères et de l'hémoglobine notamment) provoque la dégradation des acides aminés et des acides nucléiques des protéines. Sur les protéines musculaires, des études ont montré le lien entre l'évolution post-mortem et l'augmentation de la concentration des enzymes associées (les cathépsines et les calpaines en particulier). Les secondes modifications sont liées à la fermentation des viscères selon un processus anaérobique.
L'odeur du poisson durant le stockage peut être classée en odeurs apparentées à celles du poisson frais ou ayant subi une altération microbienne, une oxydation, ou encore à des odeurs dérivées de l'environnement. En effet, lors de la putréfaction, mécanismes chimiques et biochimiques qui se déclenchent dès la capture du poisson, les modifications de la structure interne du poisson dégagent divers composants volatils, dont la concentration dans évolue au cours du temps.
<Desc/Clms Page number 3>
Les récents progrès technologiques dans le domaine des multi-capteurs de gaz pour détecter les composés volatils ont accru la pertinence des nez électroniques. Il apparaît alors que ces analyseurs de composés volatils peuvent être suffisamment discriminants et les résultats des mesures et analyses interprétables pour servir d'outils d'étalonnage d'une échelle de cotation instrumentale. Le principe général d'un analyseur de composés volatils est d'interagir avec les composés volatils en suspension dans l'air, donnant ainsi une réponse différente selon les types de composés et leur concentration.
Toutefois, l'environnement particulier qui caractérise une criée (hygrométrie élevée, température basse, circulation de personnes, d'engins, produits désinfectants,...) et la forte variabilité des produits de la mer (grande variété d'espèces, modification des caractéristiques par la saison, la nutrition, le type de pêche, la saignée, le glaçage,...) rend complexe l'analyse de la qualité par une méthode instrumentale.
Le but de l'invention est donc de proposer un procédé et un dispositif de détermination de la qualité d'aliments non destructif par combinaison d'analyses optique et chimique et qui puisse être mis en oeuvre dans un milieu industriel en dehors d'un environnement de laboratoire.
L'invention concerne donc un procédé de contrôle non destructif de la qualité de fraîcheur d'une unité de produits périssables par analyse chimique dans un appareil comportant des moyens informatiques, l'analyse chimique étant obtenue par des mesures des composés volatils générés par lesdits produits avec un ensemble de capteurs électroniques.
Selon l'invention, le procédé comporte en outre une analyse optique, l'appareil comportant en outre un moyen d'analyse optique par des mesures sur au moins une image desdits produits, et il met en oeuvre les phases suivantes : - une phase d'apprentissage initiale au cours de laquelle pour chaque unité de produits on effectue des analyses optique et chimique et on enregistre les résultats des analyses dans un fichier
<Desc/Clms Page number 4>
d'apprentissage du moyen informatique, on associe dans le fichier aux dits résultats de ladite unité de produits au moins une donnée de contexte et on y associe en outre un résultat d'évaluation par un expert humain de la qualité de fraîcheur selon une norme prédéfinie, - une phase de modélisation initiale au cours de laquelle on détermine par un moyen de classification de données du moyen informatique à partir du fichier d'apprentissage, les gammes de valeurs discriminantes des analyses optique, chimique, données de contexte pour une valeur de la qualité de fraîcheur sous forme d'un modèle, ledit modèle étant enregistré dans un fichier modèle du moyen informatique, - une phase de contrôle automatisé au cours de laquelle pour une unité de produits on effectue des analyses optique et chimique pour produire des résultats de contrôle auxquels on associe au moins une donnée de contexte de contrôle, et on détermine la qualité de fraîcheur par application des résultats de contrôle et données de contexte de contrôle sur le modèle.
Dans le contexte de l'invention, le terme modèle couvre aussi bien une équation qu'une base de donnée et, plus généralement, un moyen permettant d'associer une valeur de qualité de fraîcheur à des résultats d'analyses optique et chimique et de données de contexte.
Dans diverses formes de réalisation de l'invention de procédé, les moyens suivants pouvant être combinés selon toutes les possibilités techniquement envisageables, sont mis en oeuvre - les capteurs électroniques sont du type à oxyde métallique, - les capteurs électroniques sont du type à polymères, - les capteurs électroniques sont du type à quartz, - la construction du modèle pour classification est basée sur une méthode supervisée, (méthode supervisée signifie une connaissance à priori de la loi de répartition) - la méthode supervisée est bayésienne, - la construction du modèle pour classification est basée sur une
<Desc/Clms Page number 5>
méthode non supervisée, - la méthode non supervisée est un algorithme des centres mobiles, - la construction du modèle pour classification est basée sur une analyse en composantes principales, - l'analyse optique met en oeuvre une reconnaissance de formes, - l'analyse optique met en oeuvre une reconnaissance de couleurs, - la ou les données de contexte sont au moins choisies parmi un ou plusieurs des paramètres suivants : le type de produit, (le type de produit correspond à sa définition et caractéristiques générales : viande, par exemple gigot d'agneau ou plus généralement viande rouge de boeuf, ou poisson, par exemple daurade ou plus généralement poisson à chair blanche, ou légume, par exemple tomate, fruit, agrume...) e le type d'unité de produit, (le type d'unité du produit correspond à la présentation : individuel ou groupés en vrac, en bac isolant ou non...) la date de prise du produit, (le terme prise est considéré ici comme générique et son sens dans le contexte de l'invention dépend du type de produit considéré, il peut correspondre à une prise proprement dite, par exemple poisson, un abattage, par exemple volaille, ou une récolte, par exemple laitue) (la date de prise couvre aussi bien la date proprement dite que la saison...) les conditions de prise du produit, (les conditions de prise correspondent à la manière dont le produit a été pris et par exemple pour du poisson : chalut, filet, ligne, élevage, profondeur de pêche, lieu de pêche...) les conditions de transport et de stockage du produit, (les conditions de transport et de stockage couvrent également les conditions de conservation : froid, glace, congélation...) la date du contrôle, - on enregistre manuellement au moins une partie des données de contexte,
<Desc/Clms Page number 6>
- au moins une partie des données de contexte est enregistrée automatiquement, un moyen de lecture automatique d'une étiquette accompagnant l'unité de produits étant associé aux moyens informatiques, - l'étiquette est passive, - l'étiquette est active, - l'étiquette est à lecture optique, par exemple code à barres et/ou couleur d'une pastille d'enregistrement de température, - l'étiquette est à lecture radio, - l'étiquette comporte au moins un capteur environnemental et un moyen de stockage et restitution des mesures du capteur, - l'étiquette comporte une horloge pour mesure du temps, - dans la phase de contrôle automatisé, lorsqu'un expert humain évalue en outre la qualité de fraîcheur selon une norme prédéfinie de l'unité de produits, les résultats de contrôle et données de contexte de contrôle de ladite unité de produits sont enregistrés dans le fichier d'apprentissage avec l'évaluation correspondante, - dans la phase de contrôle automatisé, les résultats de contrôle de ladite unité de produits sont enregistrés dans un fichier, - on effectue une phase de modélisation ultérieure lorsqu'un nombre prédéterminé de nouveaux enregistrements de résultats de contrôle, données de contexte de contrôle et évaluation correspondante ont été enregistrés dans le fichier d'apprentissage, - on conserve les résultats des analyses optique et chimique, les données de contexte et évaluations dans le fichier d'apprentissage du moyen informatique après une modélisation afin que la modélisation ultérieure les prenne en compte, - dans des appareils particuliers, les phases d'apprentissage initial et de modélisation initiale sont omises, et l'on transfère dans lesdits appareils particuliers au moins le fichier modèle d'un premier appareil ayant par contre réalisé les dites phases, - on met en oeuvre dans le moyen informatique des opérations en logique floue afin de pouvoir traiter des résultats ou données de contexte inconnus, - on l'applique à des produits du règne animal et, de préférence à
<Desc/Clms Page number 7>
des poissons, - on y associe en outre une analyse mécanique permettant de mesurer le degré de raideur cadavérique du produit animal, - les produits de l'unité de produits sont disposés dans un bac, - les produits sont disposés dans le bac sur plusieurs épaisseurs.
L'invention concerne également un dispositif pour mise en oeuvre du procédé de l'une quelconque des caractéristiques précédentes éventuellement combinées.
Selon l'invention de dispositif, ce dernier comporte : - un moyen informatique, - une caméra et un moyen de traitement d'images pour l'analyse optique, - un ensemble de capteurs électroniques du type à oxyde métallique produisant des signaux et un moyen de traitement de signaux pour l'analyse chimique, - une chambre de mesure chimique pour l'ensemble de capteurs.
Dans diverses formes de réalisation de l'invention de dispositif, les moyens suivants pouvant être combinés selon toutes les possibilités techniquement envisageables, sont mis en oeuvre - la caméra est une caméra vidéo ou image par image, - la chambre de mesure chimique est récipient dont les dimensions permettent le stockage d'au moins une unité de produits et comporte un moyen de fermeture sensiblement étanche à l'air et composés chimiques de l'environnement, - la chambre de mesure chimique est un tunnel de transfert de l'unité de produits, - le tunnel comporte un moyen de fermeture sensiblement étanche à l'air et composés chimiques de l'environnement à au moins une de ses deux extrémités, - le tunnel comporte un sas à l'intérieur duquel se trouve la chambre de mesure chimique, sas dont les dimensions permettent le stockage d'au moins une unité de produits, le sas étant délimité par deux moyens de fermeture sensiblement étanches à l'air et composés chimiques de l'environnement, - le moyen de fermeture est à ouverture et fermeture commandées,
<Desc/Clms Page number 8>
- le moyen de fermeture est à ouverture passive et à fermeture par moyen de rappel, - le moyen de fermeture est une porte, - le moyen de fermeture est un rideau souple continu ou en bandes, - la chambre comporte un moyen de brassage de l'air et notamment un ventilateur, - la chambre de mesure comporte en outre un moyen de renouvellement commandé de l'air permettant aux contrôles des différentes unités de produits de ne pas interférer entre eux, un air neutre étant injecté dans la chambre entre les contrôles, (air neutre signifie un air pratiquement exempt des composés chimiques pouvant être dégagés par les produits) - dans le cas où l'air doit s'échapper de la chambre lors de l'injection d'air neutre et que le moyen de fermeture est totalement étanche, une soupape est disposée sur la chambre afin de permettre la circulation de l'air hors de la chambre lors de l'envoi de l'air neutre et empêcher l'entrée de l'air de l'environnement lors des mesures chimiques, - le moyen de renouvellement commandé de l'air de la chambre permet en outre le retour des capteurs à oxyde métallique aux conditions basales correspondant à un air neutre, - les capteurs reçoivent directement de l'air neutre pour retour aux conditions basales, - l'air neutre passe d'abord sur les capteurs avant de rejoindre la chambre, - lors de l'envoi de l'air neutre, la chambre est mise en surpression, - un moyen de circulation d'air amène l'air de la chambre sur les capteurs, - l'air de la chambre pour mesures amené sur les capteurs est réchauffé, - la chambre de mesure chimique comporte en outre la caméra, - dans le cas où l'on associe en outre une analyse mécanique permettant de mesurer le degré de raideur cadavérique du produit
<Desc/Clms Page number 9>
animal par un palpeur, le palpeur est disposé en dehors de la chambre, - le dispositif est mobile et comporte la chambre et une réserve d'air neutre, - l'air neutre est de l'air comprimé, - l'unité de produit étant dans un bac comportant une ouverture, la chambre est crée par application sur l'ouverture d'un couvre bac mobile en recouvrement du bac, - l'unité de produit étant en bac comportant une ouverture, la chambre est créée par application d'un couvre bac mobile appliquée sur les bords de l'ouverture du bac, - le couvre bac comporte une soupape permettant la circulation de l'air hors de la chambre lors de l'envoi de l'air neutre et empêchant l'entrée de l'air de l'environnement lors des mesures chimiques.
Grâce au procédé de l'invention on obtient une meilleure reproductibilité des évaluations de qualité.
La présente invention va maintenant être explicitée par la description d'un exemple de mise en oeuvre en relation avec la Figure 1 représentant les séquences de fonctionnement d'un nez électronique et la Figure 2 des résultats de mesure.
L'exemple décrit est une application du procédé à la Qualité du poisson . Le procédé met en oeuvre trois phases dont les deux premières, phase d'apprentissage et phase de modélisation permettent de déterminer un modèle utilisé dans la troisième phase de contrôle automatisé des produits. L'invention utilise une combinaison de données résultant d'analyses optique et chimique obtenues par des capteurs avec des données de contexte. Le procédé mis en oeuvre dans le cadre de l'évaluation de la qualité de bacs de poissons est donc fondé sur la fusion multicapteurs. Un apprentissage permet de construire des modèles qui sont stockés sous forme d'une base de données ou d'équations. De préférence, la mise en oeuvre au sein d'une criée doit s'intégrer dans la chaîne du produit, entre la chambre réfrigérée où sont stockés les bacs après le débarquement par les producteurs, et la salle de vente où se trouvent les acheteurs.
<Desc/Clms Page number 10>
En effet, la complexité du phénomène naturel qu'est la dégradation d'un bac de poissons nécessite de prendre en compte des facteurs exogènes qui sont appelés dans le cadre de l'invention données de contexte . A titre d'exemples de données de contexte pour évaluation de la qualité d'un bac de poissons, on peut citer la saison, le type de pêche, le lieu de pêche, le producteur. Dans u ne terminologie "1 ntelligence Artificielle" le contexte est un dictionnaire, dont les mots sont les éléments indiqués précédemment. Le dictionnaire n'est pas fini et il est possible de rajouter, par exemple la durée de la campagne et le type de la mise à mort du poisson. Chaque mot est constitué par un alphabet qui représente les instances possibles pour qualifier ce mot. Ainsi le contexte peut être modélisé de manière unique par un arbre. Une feuille de l'arbre rend compte du contexte caractérisant l'objet à analyser, de manière unique par le chemin à parcourir pour l'atteindre dans cet arbre. Par exemple pour l'évaluation de la qualité d'un bac de poissons : 'saison : - mois, - période, 'type de pêche - chalut, - filet, - tangon, - ligne,...
. lieu de pêche - zone, - éloignement des côtes - nature du sol,...
'durée de pêche : - durée d'arrivée sur zone, - durée de pêche, - durée de retour,...
'producteur : - traitements à la capture,
<Desc/Clms Page number 11>
- conditionnement, - statistiques,...
De même, il peut être utile afin d'affiner les résultats, de prendre en compte des données de contexte du type pression atmosphérique (qui accélère la dégradation), du type moyen de conservation (le glaçage ralentissant la dégradation), la température. Certaines des données de contexte peuvent être obtenues automatiquement sans qu'un opérateur humain intervienne, c'est le cas de la température (un capteur de température pouvant être placé au sein du produit), de la pression ou d'autres données préalablement obtenus (mise en oeuvre d'étiquettes passives ou actives à lecture automatisée).
Les informations disponibles pour la mise en oeuvre de l'invention aussi bien lors de l'apprentissage que lors du contrôle sont donc de deux grands types : d'une part, des connaissances relatives au contexte, données symboliques et numériques, qui sont construites (par exemple, par statistique) ou connues (par exemple par savoir-faire, ou par faits) a priori, et, d'autre part, des observations ou mesures (numériques essentiellement car provenant de capteurs d'instruments de mesure, mais pouvant être réduites dans un alphabet symbolique).
L'apprentissage consiste à réunir en une Base de Données les observations ou mesures munies de leur contexte. En phase de reconnaissance, le contexte permet également d'éliminer des choix non cohérents. Toutes ces données, en particulier les données de contexte mais également, dans une moindre mesure, les données provenant de mesures optique ou chimique, peuvent ne pas être totalement fiables ou même, parfois, être manquantes. Elles peuvent être entachées d'imprécision et/ou d'incertitude plus ou moins importante. La mise en oeuvre de méthodes d'analyse et de calcul dans le moyen informatique dérivé de la théorie de la logique floue, et de celle qui en découle, la théorie des Croyances, est donc particulièrement efficace pour obtenir un résultat ou décision finale quant à la qualité dans ces conditions.
<Desc/Clms Page number 12>
A partir des informations contenues dans la base de données, on détermine des modèles par analyses selon chaque classe de Qualité. On utilise un outil de classement, par exemple classifier bayésien déterminant les matrices de variance-covariance et vecteurs moyenne d'un paramètre selon les classes de qualité prédéfinies, et/ou de classification, par exemple avec un algorithme des centres mobiles ( Fuzzy c means ou FCM) permettant de retrouver la notion de loi de répartition d'un paramètre pour chaque classe de qualité. De préférence on détermine ainsi des modèles qui sont des lois de répartition par paramètre et par classe de qualité. La modélisation peut être statistique selon la loi Normale, devant être transformée par exemple par FCM en distributions floues. Pour les modèles fondés sur la loi normale, la distance utilisée est la distance de Mahalanobis. En pratique, des résultats sur la sole ont obtenu 99% de reconnaissance positive.
Ce type de méthode est bien adapté dans le cas où le capteur renvoie un singleton. On peut également utiliser la dynamique de la réponse du capteur au cours du temps. Dans ce cas, la courbe de la réponse en fonction du temps est modélisée, par exemple par un modèle ARMA (auto-régressif à moyenne ajustée) d'ordres à identifier ; et ce sont alors les paramètres de ce modèle qui sont rendus flous et qui servent de base au modèle par classe de qualité. Ainsi, dans le cas du capteur nez électronique , les courbes d'évolution de la réponse au cours du temps font état d'un maximum de réponse pour un niveau de stimulus donné, air de la chambre en l'espèce, qui est atteint après une période de transition. La relaxation du phénomène suite à l'arrêt de l'injection d'air en provenance de la chambre pour analyse dans le capteur et l'envoi de l'air neutre, conduit au retour à l'état initial du capteur selon une évolution temporelle différente, généralement plus lente.
Il est donc possible d'effectuer la modélisation sur les maximums de réponse des capteurs et/ou de ternir compte de l'évolution temporelle de la réponse des capteurs qui peut également être porteuse d'information pertinente sur la qualité du produit.
<Desc/Clms Page number 13>
La modélisation permet de prendre en compte l'évolution des classes de qualité selon le temps. D'une part car la base de donnée initiale d'apprentissage peut être suffisamment riche en données au cours du temps et, d'autre part, car il est possible de compléter la base de données initiale d'apprentissage qui a servi à faire une première modélisation avec des données ultérieures et de recommencer une étape de modélisation avec ces nouvelles données seules ou en combinaison avec les précédentes.
L'efficacité et la précision du procédé de détermination de la qualité des produits peut ainsi s'affiner au cours du temps à chaque nouvelle modélisation.
En effet, les produits naturels ont souvent une dynamique au cours de laquelle les caractéristiques sont modifiées. Il est alors possible que le modèle construit avec des outils de classification à un instant donné ne soit plus adapté lorsque le produit à analyser se trouve dans une autre phase de sa courbe de vie.
L'apprentissage et modélisation itérative permet également de déterminer et d'affiner les trajectoires des classes de qualité, par produit, au cours du temps. Une période d'acquisition d'au moins un cycle de vie de chaque espèce est préférable pour une précision optimale des résultats de l'évaluation de la qualité à partir d'un modèle. En général ce cycle est fortement corrélé avec les saisons et on considère qu'une période d'acquisition d'un an convient pour établir un modèle d'une trajectoire cyclique de l'évolution des classes de qualité. L'apprentissage consiste alors à effectuer la mise sous la forme de modèle flou les paramètres, non seulement par classes de qualité, mais encore par période temporelle. Ceci s'obtient en regroupant les instants dont les modèles sont semblables. Ce regroupement peut de nouveau être donné par une méthode de classification comme les FCM. Ainsi selon chaque type de produit à analyser, un modèle est construit avec son propre pas temporel.
Toutefois, il n'est pas nécessaire d'attendre un cycle complet de vie du produit pour mettre en oeuvre l'invention puisqu'il est possible d'effectuer des modélisations itérativement au cours du
<Desc/Clms Page number 14>
temps, le modèle généré à un moment donné pouvant être suffisant pour une période de temps plus ou moins longue après le moment donné. Le procédé permet donc de ternir compte des dérives temporelles des mesures et observations dues aux modifications naturelles des caractéristiques poissons sur de longues périodes tout en autorisant une utilisation alors que les observations sur l'ensemble de la période ne sont pas disponibles.
Les données numériques quantifiant les observations peuvent être données par : pour pour l'analyse chimique, un nez électronique constitué, par exemple, des capteurs à oxyde (s) métallique (s) : SY/Lg, P40/1,
P40/2 (aldéhydes) ; P30/2, T70/2, PA2 (alcools) ; P10/2 (produits hydrocarbonés)... pour l'analyse optique, une caméra couleur (3CCD ou CMOS, vidéo ou image par image), mesurant les intensités des niveaux de couleur, un système mesurant la raideur cadavérique ou un texturomètre...
P40/2 (aldéhydes) ; P30/2, T70/2, PA2 (alcools) ; P10/2 (produits hydrocarbonés)... pour l'analyse optique, une caméra couleur (3CCD ou CMOS, vidéo ou image par image), mesurant les intensités des niveaux de couleur, un système mesurant la raideur cadavérique ou un texturomètre...
Les données de contexte peuvent également être obtenues par des appareillages adaptés : interface d'entrée de donnée pour un opérateur, dispositif de lecture optique d'étiquette, dispositif de lecture radio d'étiquette active, balance pour le poids des aliments, capteur de pression atmosphérique, de température, d'hygrométrie...
Des techniques de classement et/ou de classification sur les mesures issues du nez électronique et de l'analyse optique sont mises en oeuvre.
En ce qui concerne l'analyse chimique on met en oeuvre dans cet exemple de réalisation un nez électronique qui est un appareil de la société Alpha MOS (Toulouse, France), le FOX 4000 , constitué de 3 chambres de 6 capteurs à oxyde (s) métallique (s). Les capteurs plus particulièrement considérés ici sont des capteurs à oxyde (s) métallique (s) ( Métal Oxyde Sensors ). La résistance du capteur évolue en présence d'un
<Desc/Clms Page number 15>
composé volatil avec une amplitude dépendante de la nature du composé volatil et du type d'oxyde métallique. Ainsi, enrichi en électron (en présence d'un gaz réducteur), un oxyde métallique de type n soit sa conductance augmenter donc sa résistance diminuer ; a contrario un matériau de type p verra sa résistance augmenter.
Les capteurs à oxyde métallique ont une sensibilité dans le ppm (parties par million) et même, pour certains, dans le ppb (parties par milliard) dans une très grande palette de composés chimiques.
Cependant, en raison de leur relativement basse sélectivité, tous les capteurs répondent en mesure des composés volatils, seule l'utilisation d'une batterie de capteurs permet d'obtenir une sélectivité spécifique. On envisage également dans le cadre de l'invention, la mise en oeuvre d'autres types de capteurs de composés volatils du type à semi-conducteurs.
A titre d'exemple, les composés volatils ont été captés avec un cône intégrateur en PCV (polychlorure de vinyle) qui a été disposé sur des bacs de poissons. Les bacs de poissons généralement utilisés en criée sont de dimension 150 x 80 x 45 (cm x cm x cm).
Le cône a une surface de contact d'environ 0,20 m2 et un volume d'environ 1 dm3. Le cône est relié par un tuyau en PCV de diamètre approximatif de 2 mm à un récipient dont la température est régulée à environ 35 C afin de créer un volume d'air d'environ 100 ml à analyser pour une cinétique chimique améliorée. Le débit de l'air est d'environ 300 mi/min ce qui permet d'injecter l'air dans les trois chambres en environ 20 secondes. La durée d'acquisition totale est d'environ 120 s pour déterminer le maximum d'amplitude des 18 signaux.
Dans les bacs, les poissons sont soit rangés en une couche tête-bêche, soit en vrac. Ils sont recouverts d'un film plastique protecteur et d'une fine couche de glace ce qui implique une température de stockage entre 0 et 2 C. Le procédé mettant en oeuvre des capteurs à oxyde (s) métallique (s) est suffisamment robuste pour que, dans les conditions de mesures in situ, c'est-àdire bac de 50kg sous glace et film plastique, en environnement bruité et sous une hygrométrie de l'ordre de 100%, les capteurs
<Desc/Clms Page number 16>
spécialisés dans l'observation des amines (TMAO : oxyde de triméthylamine et/ou TMA : triméthylamine et/ou DMA : diméthylamine et/ou TVB-N : ammoniaques basiques totales volatiles), et des alcools (éthanol) réagissent.
L'autolyse des protéines musculaires produit des amines dont l'évolution est perçue par les capteurs spécifiques comme le SY/G (MOS non dopé) et le SY/Gh (MOS non dopé). La fermentation des viscères se distingue en : 'une fermentation alcoolique qui est à l'origine de l'éthanol perçu par le capteur P30/2 (MOS Dopé), le SY/AA (MOS non dopé) et les aldéhydes (éthanal) observés par les capteurs P40/1 (MOS dopé, type n), le SY/LG (MOS non dopé, type n) et le T40/2 (MOS non dopé, type n), 'une fermentation méthanique, à l'origine des dégagements de composés sulfurés au niveau des ouïes, par le T40/2 et le SY/LG précédemment déjà cités, ou encore le SY/gCTI (MOS non dopé, type p) et le P10/2 (MOS dopé).
En pratique, quelques capteurs de composés volatils ciblés sur l'analyse des alcools, des aldéhydes, des amines permettent de distinguer dans les conditions industrielles d'une criée, les différentes cotations fraîcheur ou qualité en usage actuellement. Deux éléments sont importants pour la mise en oeuvre du nez électronique : c'est la génération d'un flux d'air de référence ou air neutre et c'est le réchauffement de l'air à analyser. Il est ainsi possible de mettre en oeuvre un nez électronique constitué de capteurs SY/AA, SY/GcT, SY/Gh mesurant le taux d'amines dans les composés volatils.
On peut également noter l'effet mémoire de certains composés volatils, notamment les amines issus de la fermentation du sang, qui permet aussi d'effectuer une traçabilité sur le conditionnement en bac bois. Ainsi, des poissons stockés en bac plastique conservent la signature d'une caisse bois réutilisée, s'ils y ont été stockés.
La variation de résistance des capteurs induit une variation de potentiel qui est numérisée en 8 bits par une carte d'acquisition
<Desc/Clms Page number 17>
et les données brutes sont stockées sur le disque dur d'un ordinateur du type PC. De préférence, les données sont normalisées par une méthode de compensation. Les meilleurs résultats de classification sont obtenus avec l'opération de compensation suivante :
AR est la variation de résistance du capteur et Ro la valeur de résistance au repos (sous air neutre), n le nombre de mesures.
AR est la variation de résistance du capteur et Ro la valeur de résistance au repos (sous air neutre), n le nombre de mesures.
Cette opération permet de prendre en compte tous les échantillons et permet de compenser un bruit gaussien ou une translation du signal à l'origine des données.
Des données de contexte pouvant avoir un impact sur l'analyse chimique peuvent être prises en compte. En effet, la température du poisson à analyser va modifier la composition de l'espace de tête par modification des concentrations des composés volatils. Ainsi, aux plus basses températures, l'activité microbiologique et enzymatique est fortement réduite, alors qu'elle s'accélère avec le réchauffement. De même l'augmentation de température accélère la cinétique chimique. La distinction des espèces à chair blanche et des espèces à sang est également importante. Parmi les phénomènes d'autolyse protéique, l'hémoglobine joue un rôle non négligeable. La présence en quantité plus ou moins grande d'hémoglobine dans les différentes espèces, conduit à des différences sensibles de la signature que peut percevoir un nez électronique . L'étude présentée montre que deux catégories d'espèces doivent être distinguées : les espèces à chair blanche (bar, merlan, tacaud, soie,...) et les espèces à chair rouge (thon, sardine, squaliforme et cartilagineux).
En ce qui concerne l'analyse optique, les images obtenues par la caméra sont traitées par le moyen informatique de l'appareil. De
<Desc/Clms Page number 18>
préférence, les produits sont éclairés par une source lumineuse dont l'intensité lumineuse peut être contrôlée et la composition spectrale est connue afin de permettre un calibrage des mesures optiques, l'intensité lumineuse étant adaptée et/ou des corrections de couleurs et d'intensité mises en oeuvre dans le système informatique. Le calibrage consiste à faire des mesures sur une mire connue. La mire peut être associée au produit, et par exemple la caisse contenant le produit ou elle peut être présentée indépendamment. La caméra peut être associée au moyen de mesure chimique dans une chambre de mesure ou peut être indépendante. Toutefois, le milieu de la mesure optique étant relativement humide et froid, on met en oeuvre un ou des moyens évitant ou éliminant la buée de l'objectif de la caméra.
L'analyse optique comporte en outre une étape de passage des données d'une image d'un référentiel capteur à un référentiel subjectif permettant de mieux discriminer des informations pertinentes à partir des données des images. Du point de vue du capteur, l'acquisition correspond à la superposition de trois images représentant les composantes rouge, verte et bleue de la scène observée. Initialement, l'image est un ensemble de données tridimensionnelles et avec le capteur, nous nous situons dans un repère (R, G, B) ( red , green , blue ). En ce qui concerne l'espace subjectif, le repère (R, G, B) des capteurs est éloigné de l'expérience humaine des couleurs. Or la notion de couleur n'existe pas dans l'absolu et est étroitement liée à notre perception. De nombreux phénomènes perceptuels ne peuvent être expliqués par une théorie trichromatique. On peut ainsi noter des aberrations psychosensorielles et, par exemple, après avoir fixé un carré jaune, on voit un carré bleu sur une feuille blanche (images induites). De même, il faut quatre noms pour désigner toutes les couleurs et les mélanges tels que bleu-jaune et rouge-vert ne sont jamais désignés. Le modèle des couleurs antagonistes explique les appariements précédents en considérant que les sorties des canaux R, G, B sont combinées pour donner un canal achromatique (N-Blanc), et deux canaux chromatiques (J-B) et (R-V).
<Desc/Clms Page number 19>
On peut par exemple considérer l'espace AC1C2 qui est basé sur la réponse non-linéaire des cônes, cellules de la rétine sensibles aux couleurs, et qui est proportionnelle au logarithme de l'intensité de la stimulation. Un tel système luminance-chrominance a été développé afin de répondre au problème de la quantification des écarts de couleurs.
On a pu montrer que le passage dans un espace subjectif particulier des images de dos de carrelet après, de préférence une segmentation pour extraire des zones caractéristiques (discriminantes), permet de mettre en évidence et mieux suivre l'évolution de la qualité du poisson. Dans cette étude, les zones caractéristiques correspondent aux taches des carrelets, indicateur très fiable de la fraîcheur. La qualité a été divisée en : E : Extra, A : Bon, B : Moyen et rejet. Les données obtenues sont stockées puis analysées dans divers espaces calorimétriques afin de déterminer le plus discriminant. Sur ces données, les moyennes et l'écarts-types sont produits et les distributions des différentes lois normales modélisables sont comparées en vue d'une classification probabiliste.
Sur le carrelet on a pu montrer qu'au niveau de la couche rouge, la qualité E se détache très nettement du A et du B. Cela s'explique par la présence d'un plus grand nombre de pigments, eux-mêmes beaucoup plus rouges. Le reste de la différentiation se fera donc dans les deux autres dimensions. De même, la couche verte montre une plus faible quantité de vert pour les carrelets de qualité A. Ces carrelets présentent eux aussi des taches sur leurs dos, plus remarquables que celles de poisson de plus basse qualité, mais cependant moins rouge vif et plus orangé que pour des carrelets très frais. Enfin, on peut faire une constatation équivalente pour la couche bleue.
Ainsi, les produits de très bonne qualité (E) laissent donc apparaître des taches rouge vif, très colorées, formées de beaucoup des trois composantes (R, G, B). Quand le produit perd un peu de sa qualité (A), les taches deviennent moins vives, elles présentent donc moins de rouge, mais elles sont surtout formées
<Desc/Clms Page number 20>
de beaucoup moins de vert et de bleu. Un carrelet de qualité moyenne (B) présente des taches de couleur neutre, se rapprochant de la couleur de la peau. Ces taches sont donc composées de moins de rouge, et sont surtout formées d'une quantité presque égale des 3 composantes. Il existe donc un déplacement de la couleur en fonction de la qualité du produit et ces différences et déplacement peuvent être mieux mis en évidence dans des espaces colorimétriques subjectifs.
Par exemple dans un espace colorimétriques subjectif (H, S, V), on constate que la variance de la teinte (H) est très fortement corrélée à la qualité ; un produit de bonne qualité présente une forte variance de la teinte, ce qui explique l'aspect "coloré" du poisson, tandis que qu'un poisson de moins bonne qualité voit diminuer la variance de sa teinte, ce qui explique l'aspect"terne" du poisson.
La saturation (S) est également un élément discriminant, et l'on peut notamment voir la progression E- > A- > B. Ce phénomène décrit le passage de l'aspect rouge vif au terne, en passant par une phase rouge pâle. La valeur (V) correspond à une interprétation de l'image en niveau de gris. On retrouve la différence d'intensité des taches mais ce paramètre n'est pas suffisamment discriminant. Ainsi, dans l'espace (H S, V) on peut se limiter à un espace de dimension 2, le plan chromatique, pour décider de la fraîcheur du carrelet, ce qui réduit la quantité de calculs nécessaires à la classification.
Dans un espace colorimétrique subjectif (A, C1, C2) on peut déterminer des zones de concentration de points de données qui permettent une discrimination efficace en fonction de la qualité.
Ce type d'analyse optique a été étendu à diverses espèces de poissons dans les bacs d'exploitation d'un port de pêche. Les espèces à disposition sont : carrelet (ou plie) (Pleuronectes platessa), congre (Conger conger), rouget grondin (Aspitrigla enclos), sole limande (Microstomus kitt), merlu (Merluccius merluccius) et tacaud (Trisopterus luscus). Comme précédemment des espaces colorimétriques subjectifs sont efficaces pour
<Desc/Clms Page number 21>
discriminer les qualités de poissons et en particulier dans la base (Entropie, Variance de la saturation) de l'espace (A, C1, C2). Il est également possible de se limiter à un espace de dimension 2 pour la classification.
L'échelle de qualité peut comporter 4 classes (E, A et B et rejeté) subjectives. Elle peut être ré-échantillonnée de façon objective et pas forcément avec un pas régulier. Il est ainsi possible d'utiliser une échelle qui subdivise ces classes en EE, E, EA, AA, AB, B et BB, toujours de manière subjective.
Au sein de la criée, le procédé est implémenté dans un appareil qui peut être fixe ou mobile. En pratique, le dispositif doit être à l'abri des projections d'eau et est dans un caisson étanche aux normes IP 67 ou 66. De plus, l'utilisation d'un nez électronique comportant des capteurs à oxyde (s) métallique (s) nécessite un air de référence. En effet, l'injection de composés volatils dans les chambres des capteurs crée une différence de potentiel par rapport à la réponse des capteurs soumis à un air de référence ou neutre. De préférence et contrairement aux mesures effectuées en laboratoire où un air de référence dit pur est utilisé, on utilise à titre d'air de référence un air neutre qui est l'air ambiant et qui est pratiquement exempt de composés volatils. En effet, avec de l'air pur , les temps de restitution des capteurs à leur état initial sont trop longs, de l'ordre de 10 min, pour une application industrielle.
L'utilisation d'un air neutre du type air ambiant réduit considérablement la dynamique temporelle de restitution des capteurs sans pour autant réduire sensiblement l'amplitude des signaux générés par les capteurs. Cependant, afin de s'affranchir des perturbations de l'environnement : passages humains, produits d'entretien, espace confiné... et éviter la présence de composés volatils dans l'air neutre, il est nécessaire de contrôler cet air. Il est ainsi prévu, dans le cas d'un appareil fixe, que le convoyeur amenant les bacs en salle de ventes passe dans un tunnel suffisamment long, de volume suffisamment réduit, afin de lisser les effets de l'extérieur formant ainsi un sas virtuel, et
<Desc/Clms Page number 22>
dans lequel le nez électronique serait positionné. Une régulation d'air avec un air neutre doit être mise en place dans ce tunnel. Un système de sas réel peut également être réalisé avec des portes passives, par exemple rideau à lamelles, et/ou actives.
Dans le cas d'un appareil mobile, on peut employer une réserve d'air neutre comprimée, cet air ayant été stocké comprimé à partir d'une source pratiquement exempte de composés volatils et, par exemple, à partir de l'extérieur du bâtiment de la criée. Pour cet appareil mobile, un poste fixe de recharge de batterie et de l'air neutre comprimé peut être réalisé : l'appareil mobile venant se connecter sur l'électricité et l'air. En outre, une prise informatique peut également être prévue sur le poste fixe pour transfert de données et maintenance.
Afin de s'affranchir de l'effet mémoire des capteurs du nez électronique et d'augmenter la rapidité du retour au repos des capteurs, il est également nécessaire de forcer une purge de la tuyauterie du"nez électronique"après l'analyse d'un bac. Cette action doit extraire l'équivalent du volume d'air contenu dans le circuit. La figure 1 montre la séquence des opérations à effectuer. Il peut également être utile de contrôler l'hygrométrie de l'air parvenant aux capteurs et à cette fin on peut disposer dans le
circuit un absorbeur d'humidité sélectif. De préférence, l'air destiné aux capteurs est chauffé à une température approximative de 35 C.
circuit un absorbeur d'humidité sélectif. De préférence, l'air destiné aux capteurs est chauffé à une température approximative de 35 C.
La Figure 2 permet de visualiser les résultats de mesures chimiques sur différents capteurs pour une classe A et d'autres classes concernant la sole en septembre.
La mesure optique, ainsi que précédemment décrit, est calibrée. Il peut en être de même pour la mesure chimique et l'on dispose dans la chambre de mesure une substance de référence volatile complexe ou non dont la composition est connue et l'on corrige la mesure chimiques afin que son résultat concorde.
Claims (12)
1. Procédé de contrôle non destructif de la qualité de fraîcheur d'une unité de produits périssables par analyse chimique dans un appareil comportant des moyens informatiques, l'analyse chimique étant obtenue par des mesures des composés volatils générés par lesdits produits avec un ensemble de capteurs électroniques, caractérisé en ce que le procédé comporte en outre une analyse optique, l'appareil comportant en un moyen d'analyse optique par des mesures sur au moins une image desdits produits, et qu'il met en oeuvre les phases suivantes : - une phase d'apprentissage initiale au cours de laquelle pour chaque unité de produits on effectue des analyses optique et chimique et on enregistre les résultats des analyses dans un fichier d'apprentissage du moyen informatique, on associe dans le fichier aux dits résultats de ladite unité de produits au moins une donnée de contexte et on y associe en outre un résultat d'évaluation par un expert humain de la qualité de fraîcheur selon une norme prédéfinie, - une phase de modélisation initiale au cours de laquelle on détermine par un moyen de classification de données du moyen informatique à partir du fichier d'apprentissage, les gammes de valeurs discriminantes des analyses optique, chimique, données de contexte pour une valeur de la qualité de fraîcheur sous forme d'un modèle, ledit modèle étant enregistré dans un fichier modèle du moyen informatique, - une phase de contrôle automatisé au cours de laquelle pour une unité de produits on effectue des analyses optique et chimique pour produire des résultats de contrôle auxquels on associe au moins une donnée de contexte de contrôle, et on détermine la qualité de fraîcheur par application des résultats de contrôle et données de contexte de contrôle sur le modèle.
2. Procédé selon la revendication 1 caractérisé en ce que la ou les données de contexte sont au moins choisies parmi un ou
<Desc/Clms Page number 24>
plusieurs des paramètres suivants : le type de produit, le type d'unité de produit, la date de prise du produit, les conditions de prise du produit, les conditions de transport et de stockage du produit, la date du contrôle.
3. Procédé selon la revendication 1 ou 2 caractérisé en ce qu'au moins une partie des données de contexte est enregistrée automatiquement, un moyen de lecture automatique d'une étiquette accompagnant l'unité de produits étant associé aux moyens informatiques.
4. Procédé selon la revendication 1,2 ou 3 caractérisé en ce que dans la phase de contrôle automatisé, lorsqu'un expert humain évalue en outre la qualité de fraîcheur selon une norme prédéfinie de l'unité de produits, les résultats de contrôle et données de contexte de contrôle de ladite unité de produits sont enregistrés dans le fichier d'apprentissage avec l'évaluation correspondante.
5. Procédé selon la revendication 4 caractérisé en ce que l'on effectue une phase de modélisation ultérieure lorsqu'un nombre prédéterminé de nouveaux enregistrements de résultats de contrôle, données de contexte de contrôle et évaluation correspondante ont été enregistrés dans le fichier d'apprentissage.
6. Procédé selon la revendication 4 ou 5 caractérisé en ce que l'on conserve les résultats des analyses optique et chimique, les données de contexte et évaluations dans le fichier d'apprentissage du moyen informatique après une modélisation afin que la modélisation ultérieure les prenne en compte.
7. Procédé selon l'une quelconque des revendications précédentes caractérisé en ce que dans des appareils particuliers, les phases d'apprentissage initial et de modélisation initiale sont omises, et que l'on transfère dans lesdits appareils particuliers au moins le fichier modèle d'un premier appareil ayant par contre réalisée les dites phases.
8. Procédé selon l'une quelconque des revendications
<Desc/Clms Page number 25>
précédentes caractérisé en ce que l'on met en oeuvre dans le moyen informatique des opérations en logique floue afin de pouvoir traiter des résultats ou données de contexte inconnus.
9. Procédé selon l'une quelconque des revendications précédentes caractérisé en ce qu'on l'applique à des produits du règne animal et, de préférence à des poissons.
10. Procédé selon la revendication 9 caractérisé en ce que l'on y associe en outre une analyse mécanique permettant de mesurer le degré de raideur cadavérique du produit animal.
11. Procédé selon la revendication 9 ou 10 caractérisé en ce que les produits de l'unité de produits sont disposés dans un bac.
12. Dispositif pour mise en oeuvre du procédé de l'une quelconque des revendications précédentes caractérisé en ce qu'il comporte : - un moyen informatique, - une caméra et un moyen de traitement d'images pour l'analyse optique, - un ensemble de capteurs électroniques du type à oxyde métallique produisant des signaux et un moyen de traitement de signaux pour l'analyse chimique, - une chambre de mesure chimique pour l'ensemble de capteurs.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0111631A FR2829578B1 (fr) | 2001-09-07 | 2001-09-07 | Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0111631A FR2829578B1 (fr) | 2001-09-07 | 2001-09-07 | Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR2829578A1 true FR2829578A1 (fr) | 2003-03-14 |
| FR2829578B1 FR2829578B1 (fr) | 2004-07-02 |
Family
ID=8867090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR0111631A Expired - Fee Related FR2829578B1 (fr) | 2001-09-07 | 2001-09-07 | Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR2829578B1 (fr) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749426A (zh) * | 2012-07-19 | 2012-10-24 | 浙江大学 | 定性无损快速检测花生新鲜度方法 |
| CN104359986A (zh) * | 2014-10-24 | 2015-02-18 | 山西农业大学 | 一种利用快速气相色谱电子鼻鉴别鲶鱼腥味的方法 |
| CN105606779A (zh) * | 2016-03-07 | 2016-05-25 | 南京铁道职业技术学院 | 基于电子鼻的鱼类新鲜度检测系统及方法 |
| WO2019121639A1 (fr) * | 2017-12-22 | 2019-06-27 | Gea Food Solutions Germany Gmbh | Identification de produits avariés par détection d'amines biogènes |
| CN110133049A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382531B (zh) * | 2008-10-08 | 2011-12-28 | 天津商业大学 | 利用电子鼻检测虾新鲜度的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991008479A1 (fr) * | 1989-11-24 | 1991-06-13 | Her Majesty The Queen In Right Of Canada As Represented By The Minister Of Fisheries And Oceans | Procede de mesure de fermete de la viande |
| JPH07167780A (ja) * | 1994-10-25 | 1995-07-04 | Makio Akimoto | 食品鮮度判別装置 |
| WO2001009587A1 (fr) * | 1999-07-28 | 2001-02-08 | Marine Harvest Norway As | Procede et dispositif permettant de determiner les proprietes qualitatives du poisson |
-
2001
- 2001-09-07 FR FR0111631A patent/FR2829578B1/fr not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1991008479A1 (fr) * | 1989-11-24 | 1991-06-13 | Her Majesty The Queen In Right Of Canada As Represented By The Minister Of Fisheries And Oceans | Procede de mesure de fermete de la viande |
| JPH07167780A (ja) * | 1994-10-25 | 1995-07-04 | Makio Akimoto | 食品鮮度判別装置 |
| WO2001009587A1 (fr) * | 1999-07-28 | 2001-02-08 | Marine Harvest Norway As | Procede et dispositif permettant de determiner les proprietes qualitatives du poisson |
Non-Patent Citations (4)
| Title |
|---|
| LE GALL J Y ET AL: "LE TRI DU POISSON EN PECHE ET PISCICULTURE: METHODES, TECHNIQUES, MATERIELS", EQUINOXE, IFREMER. NANTES, FR, no. 44, 1 June 1993 (1993-06-01), pages 11 - 17, XP000371815, ISSN: 0765-5320 * |
| NATALE DI C ET AL: "RECOGNITION OF FISH STORAGE TIME BY A METALLOPORPHYRINS-COATED QMB SENSOR ARRAY", MEASUREMENT SCIENCE AND TECHNOLOGY, IOP PUBLISHING, BRISTOL, GB, vol. 7, no. 8, 1 August 1996 (1996-08-01), pages 1103 - 1114, XP000631798, ISSN: 0957-0233 * |
| PATENT ABSTRACTS OF JAPAN vol. 1995, no. 10 30 November 1995 (1995-11-30) * |
| SCHWEIZER-BERBERICH P-M ET AL: "CHARACTERISATION OF FOOD FRESHNESS WITH SENSOR ARRAYS", SENSORS AND ACTUATORS B, ELSEVIER SEQUOIA S.A., LAUSANNE, CH, vol. B18, no. 1/3, 1 March 1994 (1994-03-01), pages 282 - 290, XP000450920, ISSN: 0925-4005 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102749426A (zh) * | 2012-07-19 | 2012-10-24 | 浙江大学 | 定性无损快速检测花生新鲜度方法 |
| CN102749426B (zh) * | 2012-07-19 | 2014-06-11 | 浙江大学 | 定性无损快速检测花生新鲜度方法 |
| CN104359986A (zh) * | 2014-10-24 | 2015-02-18 | 山西农业大学 | 一种利用快速气相色谱电子鼻鉴别鲶鱼腥味的方法 |
| CN105606779A (zh) * | 2016-03-07 | 2016-05-25 | 南京铁道职业技术学院 | 基于电子鼻的鱼类新鲜度检测系统及方法 |
| WO2019121639A1 (fr) * | 2017-12-22 | 2019-06-27 | Gea Food Solutions Germany Gmbh | Identification de produits avariés par détection d'amines biogènes |
| CN110133049A (zh) * | 2019-04-10 | 2019-08-16 | 浙江大学 | 基于电子鼻和机器视觉的茶叶等级快速无损检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| FR2829578B1 (fr) | 2004-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | Advances in machine learning and hyperspectral imaging in the food supply chain | |
| Sliwinska et al. | Food analysis using artificial senses | |
| Cavallo et al. | Non-destructive and contactless quality evaluation of table grapes by a computer vision system | |
| Lorente et al. | Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment | |
| US10839503B2 (en) | System and method for evaluating fruits and vegetables | |
| Shi et al. | Nondestructive determination of freshness indicators for tilapia fillets stored at various temperatures by hyperspectral imaging coupled with RBF neural networks | |
| Gowen et al. | Hyperspectral imaging–an emerging process analytical tool for food quality and safety control | |
| Kurekin et al. | Satellite discrimination of Karenia mikimotoi and Phaeocystis harmful algal blooms in European coastal waters: Merged classification of ocean colour data | |
| Taghizadeh et al. | Use of hyperspectral imaging for evaluation of the shelf-life of fresh white button mushrooms (Agaricus bisporus) stored in different packaging films | |
| Djekic et al. | Application of quality function deployment on shelf-life analysis of Agaricus bisporus Portobello | |
| Liu et al. | Predicting pork loin intramuscular fat using computer vision system | |
| Crichton et al. | Classification of organic beef freshness using VNIR hyperspectral imaging | |
| Eyarkai Nambi et al. | Comparison of various RGB image features for nondestructive prediction of ripening quality of “Alphonso” mangoes for easy adoptability in machine vision applications: a multivariate approach | |
| Huang et al. | Monitoring strawberry (Fragaria× ananassa) quality changes during storage using UV-excited fluorescence imaging | |
| Han et al. | Predicting the ripening time of ‘Hass’ and ‘Shepard’avocado fruit by hyperspectral imaging | |
| Abdullah et al. | Precision agriculture practices from planting to postharvest: scopes, opportunities, and challenges of innovation in developing countries | |
| Ahmad et al. | Color distribution analysis for ripeness prediction of golden apollo melon | |
| EP4479932A1 (fr) | Systèmes et procédés d'évaluation de durée de conservation de produits à l'aide de données d'image à intervalle régulier | |
| Raju et al. | Detection of oil-containing dressing on salad leaves using multispectral imaging | |
| Jun et al. | Pork quality classification using a hyperspectral imaging system and neural network | |
| Noutfia et al. | What can artificial intelligence approaches bring to an improved and efficient harvesting and postharvest handling of date fruit (Phoenix dactylifera L.)? A review | |
| Ropelewska et al. | Effect of lacto-fermentation and freeze-drying on the quality of beetroot evaluated using machine vision and sensory analysis | |
| FR2829578A1 (fr) | Procede et dispositif pour controle non destructif de la qualite de fraicheur d'une unite de produits perissables | |
| Borah et al. | A computer based system for matching colours during the monitoring of tea fermentation | |
| Castro et al. | Using recurrent neural networks to identify broken-cold-chain fish fillet from spectral profiles |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| ST | Notification of lapse |
Effective date: 20130531 |