Τεχνικές ανάλυσης εικόνας/σήματος με εφαρμογές στον έλεγχο της ποιότητας και ασφάλειας τροφίμων

Abstract

Το κρέας αποτελεί πηγή ποικίλων θρεπτικών συστατικών για τον άνθρωπο αλλά συγχρόνως είναι και εστία συγκέντρωσης μικροβιακών ομάδων. Οι ομάδες αυτές βρίσκουν στην επιφάνεια του κρέατος τα συστατικά που ευνοούν την ανάπτυξη τους και τη λειτουργία του μεταβολισμού τους. Ο μεταβολισμός αυτός οδηγεί σε ενδιάμεσα και τελικά προϊόντα, τους μεταβολίτες, οι οποίοι τελικά αλλοιώνουν τα οργανοληπτικά χαρακτηριστικά του κρέατος. Η άμεση καταγραφή και ανάλυση των μεταβολιτών μπορεί να δώσει γρήγορα και αξιόπιστα αποτελέσματα για το επίπεδο της αλλοίωσης. Για αυτό το λόγο τα τελευταία χρόνια έχει αναπτυχθεί ένα νέο πεδίο έρευνας τα metabolomics το οποίο συνδυάζει διαφορετικούς κλάδους τη επιστήμης όπως η μικροβιολογία, τα μαθηματικά και η επιστήμη των υπολογιστών με σκοπό την ανάπτυξη μοντέλων που θα εκτιμούν ποιοτικά αλλά και ποσοτικά το μικροβιακό πληθυσμό. Η εφαρμογή αυτών των μοντέλων μπορεί να δώσει σχετικά ακριβείς πληροφορίες για την ποιότητα του κρέατος. Σε αυτό το πεδίο έρευνας εφαρμόζονται αναλυτικές μέθοδοι όπως η φασματοσκοπία και η πολυμεταβλητή στατιστική ανάλυση. Στην παρούσα εργασία μελετήθηκαν δύο καινοτόμες τεχνικές. Η πρώτη ήταν η φασματοσκοπία υπερύθρου με μετασχηματισμό Fourier (FTIR) και η δεύτερη η ανάλυση πολυφασματικών εικόνων (18 μήκη κύματος) που λήφθησαν από το όργανο VideometerLab. Τα δεδομένα από τις δύο αυτές μεθόδους συνδυάστηκαν με τα δεδομένα από τη μικροβιολογική ανάλυση. Οι μικροοργανισμοί που διαλέξαμε για να μελετήσουμε το μεταβολικό τους προφίλ ήταν η Serratia liquefaciens και η Hafnia Alvei, δύο είδη της οικογένειας των Enterobacteriaceae. Αυτοί οι ψυχρότροφοι, Gram αρνητικοί μικροοργανισμοί ανήκουν στους κύριους αλλοιογόνους μικροοργανισμούς του κρέατος. Δείγματα κρέατος που εμβολιάστηκαν με τους παραπάνω μικροοργανισμούς αποθηκεύτηκαν σε θερμοκρασίες 4οC και 10οC. Από την καταγραφή της μικροβιακής ανάπτυξης, τα δείγματα που αποθηκεύτηκαν στους 4οC εμφάνισαν φάση προσαρμογής κάτι που δεν συνέβη με τα δείγματα που ήταν αποθηκευμένα στους 10οC. Ο μέγιστος ρυθμός αύξησης μmax ήταν μεγαλύτερος στους 10οC από τους 4οC και για τους δύο μικροοργανισμούς. Για τη δημιουργία των μοντέλων πρόβλεψης, έγινε χρήση της μερικής γραμμικής παλινδρόμησης (PLS) κατά την οποία τα δεδομένα από τις μικροβιακές αναλύσεις χρησιμοποιήθηκαν ως εξαρτημένες μεταβλητές ενώ τα φασματοσκοπικά δεδομένα ως ανεξάρτητες. Κατά τη δημιουργία του μοντέλου από τα δεδομένα της πολυφασματικής ανάλυσης των εικόνων των δειγμάτων επιλέχθηκαν τα μήκη κύματος που είχαν τις πιο ακραίες τιμές συντελεστών παλινδρόμησης με στόχο την κατασκευή εξισώσεων που θα εκτιμούν τον πληθυσμό του κάθε μικροοργανισμού. Επίσης κάνοντας χρήση της ανάλυσης διαχωρισμού PLS-DA έγινε κατηγοριοποίηση των δειγμάτων σε μία από τις 3 xi κλάσεις ποιότητας που είχαν οριστεί από την οργανοληπτική ανάλυση σε φρέσκο, ημιφρέσκο και αλλοιωμένο. Η κατηγοριοποίηση σύμφωνα με τη διαχωριστική ανάλυση έδωσε σωστά αποτελέσματα σε ποσοστό 85.2% για την Serratia liquefaciens και σε ποσοστό 79.2% για τη Hafnia Alvei. Για την εκτίμηση της απόδοσης των μοντέλων υπολογίστηκαν οι δείκτες επίδοσης Bias Factor και Accuracy Factor καθώς και ο συντελεστής συσχέτισης. Οι δείκτες επίδοσης ήταν όλοι κοντά στη μονάδα και για τα δύο μοντέλα που σημαίνει ότι τα μοντέλα μας είχαν αρκετά καλή προβλεψιμότητα. Στη συνέχεια αφού έγινε συλλογή των φασματοσκοπικών δεδομένων με το όργανο του FTIR, εφαρμόστηκε μια προεπεξεργασία στα δεδομένα αυτά ώστε να κανονικοποιηθούν. Μετά την κανονικοποίηση των δεδομένων υπολογίστηκε η δεύτερη παράγωγος ώστε να συλλεχθούν τα δεδομένα εκείνα που παρουσιάζουν ακρότατα έτσι ώστε να μειωθεί ο όγκος των δεδομένων που χρησιμοποιούνται για τη δημιουργία του μοντέλου πρόβλεψης. Το μοντέλο που δημιουργήθηκε εμφάνισε αρκετά καλή συσχέτιση μεταξύ παρατηρούμενων και προβλεπόμενων τιμών και η επικύρωσή του με βάση τους δείκτες επίδοσης ήταν επιτυχής. Τέλος, εφαρμόστηκε μια ιεραρχική ομαδοποίηση για το χωρισμό του συνολικού φάσματος σε επιμέρους ομάδες. Αναπτύχθηκαν μοντέλα για την κάθε ομάδα και είδαμε κατά πόσον αυτά τα μοντέλα θα μπορούσαν να χρησιμοποιηθούν αντί ενός μοντέλου για όλο το σύνολο των δεδομένων μειώνοντας κατ’ αυτόν τον τρόπο τον όγκο των δεδομένων και φαινόμενα όπως η πολυσυγγραμικότητα. Τελικά, τα μοντέλα για δύο ομάδες από αυτές που δημιουργήθηκαν είχαν καλή προβλεψιμότητα και θα μπορούσαν να χρησιμοποιηθούν για να προσδιορίσουν ξεχωριστά το καθένα την ταυτότητα της αλλοίωσης. Λέξεις κλειδιά: αλλοίωση κρέατος, μεταβολίτες, πολύφασματική ανάλυση εικόνας, φασματοσκοπία υπερύθρου, πολύμεταβλητή στατιστική

Meat is a source of various nutrients for humans but in the same time is considered as hearth of the concentration of microbial groups. These groups found in the meat surface components that favour the development and function of their metabolism. The metabolism leads to intermediate and final products, the metabolites, which eventually alter the organoleptic characteristics of meat. Direct recording and analysis of metabolites can give quick and reliable results on the level of the spoilage. For this reason, a new field of research has been developed recently, metabolomics, which combines different sectors of science such as microbiology, mathematics and computer science in order to develop models that estimate qualitatively and quantitatively the microbial population. The application of these models can provide relatively accurate information on the quality of meat. In this field of research analytical and rapid methods are applied such as spectroscopy and multivariate statistical analysis. In the present work two innovative techniques were assessed. The first was the Fourier transform infrared spectroscopy (FTIR) and the second was the multispectral image analysis, which use a band of 18 wavelengths by the VideometerLab instrument. The data collected by these methods after the interaction of light on the surface of meat samples were combined with the data from the microbial analysis. Two species of the family of Enterobacteriaceae were chosen in order to study their metabolic profile. The two microorganisms were Serratia liquefaciens and Hafnia Alvei which are psychotropic and Gram negative bacteria belonging to the main spoilage microorganisms. Samples of sterile meat were inoculated with the above microorganisms and were stored at two different temperatures namely, 4oC and 10oC. By recording the microbial growth, the samples stored at 4oC showed lag phase which was not the case with the samples stored at 10oC. The maximum growth rate μmax was greater at 10oC than at 4oC for both microorganisms. For the development of predictive models linear regression was applied using the microbiological data as the dependent variable and the spectral data as independent variables. After developing the predictive model using the data from the analysis of multispectral images of meat samples the important wavelengths, which had the most extreme regression coefficients values, were selected. Relying on these values two equations were constructed that estimate the population of each microorganism. Also using discriminant function analysis the samples were classified into one of the three classes defined by sensory analysis in fresh, semifresh and spoiled. Categorization according to discriminant analysis gave correct results in rate 85.2%. for Serratia liquefaciens and 79.2% for Hafnia Alvei. To assess the performance of the model performance indicators were calculated such as Bias Factor, Accuracy Factor and correlation coefficient. All the performance indicators were close to unit for both models indicating that our models had fairly good predictability. xiii Next step was the selection of spectral data from FTIR. Firstly, a pretreatment was applied to data for their normalization. After normalization the second derivative was calculated in order to select data with extreme values minimizing the range of data. These data was used to generate the predictive model. The predictive model showed fairly good correlation between observed and predicted values and the model was successfully validated by the indicator factors. Finally, an hierarchical cluster analysis was applied for the separation of the overall spectrum into sub-groups. Predictive models for each group were developed in order to investigate whether these models could be used instead of a model with the entire data set by reducing in this way the volume of data and phenomena such as multilinearity. Finally, the performance two of the models examined was satisfactory and these models could be used individually to identify the identity of the spoilage. Key words: meat spoilage, metabolites, multispectral imaging, infrared spectroscopy, multivariate statistics.