Sebbene la carne bovina sia uno degli alimenti più consumati al mondo, mangiarlo quando ha superato il suo apice non è solo sgradevole, ma comporta anche gravi rischi per la salute. Sfortunatamente, i metodi disponibili per controllare la freschezza della carne bovina presentano diversi svantaggi che impediscono loro di essere utili al pubblico. Per esempio, l'analisi chimica o le valutazioni della popolazione microbica richiedono troppo tempo e richiedono le competenze di un professionista. D'altra parte, gli approcci non distruttivi basati sulla spettroscopia nel vicino infrarosso richiedono apparecchiature costose e sofisticate. L'intelligenza artificiale potrebbe essere la chiave per un modo più conveniente per valutare la freschezza della carne bovina?

Al Gwangju Institute of Science and Technology (GIST), Corea, un team di scienziati guidati dai processori associati Kyoobin Lee e Jae Gwan Kim ha sviluppato una nuova strategia che combina il deep learning con la spettroscopia a riflettanza diffusa (DRS), una tecnica ottica relativamente poco costosa. "A differenza di altri tipi di spettroscopia, DRS non richiede una calibrazione complessa; Invece, può essere utilizzato per quantificare parte della composizione molecolare di un campione utilizzando solo uno spettrometro economico e facilmente configurabile, " spiega Lee. I risultati del loro studio sono ora pubblicati in Chimica degli alimenti .

Per determinare la freschezza dei campioni di carne bovina, si sono basati sulle misurazioni DRS per stimare le proporzioni delle diverse forme di mioglobina nella carne. La mioglobina ei suoi derivati ​​sono le proteine ​​principalmente responsabili del colore della carne e dei suoi cambiamenti durante il processo di decomposizione. Però, convertire manualmente le misurazioni DRS in concentrazioni di mioglobina per decidere finalmente la freschezza di un campione non è una strategia molto accurata, ed è qui che entra in gioco il deep learning.

Le reti neurali convoluzionali (CNN) sono algoritmi di intelligenza artificiale ampiamente utilizzati che possono apprendere da un set di dati preclassificato, denominato "set di allenamento, ' e trova modelli nascosti nei dati per classificare nuovi input. Per formare la CNN, i ricercatori hanno raccolto dati su 78 campioni di manzo durante il loro processo di deterioramento misurando regolarmente il loro pH (acidità) insieme ai loro profili DRS. Dopo aver classificato manualmente i dati DRS in base ai valori di pH come 'freschi, ' 'normale, ' o 'viziato, ' hanno alimentato l'algoritmo con il set di dati DRS etichettato e hanno anche fuso queste informazioni con le stime della mioglobina. "Fornendo informazioni sia sulla mioglobina che sullo spettro, il nostro algoritmo di deep learning addestrato potrebbe classificare correttamente la freschezza dei campioni di manzo in pochi secondi in circa il 92% dei casi, " evidenzia Kim.

Oltre alla sua accuratezza, i punti di forza di questa nuova strategia risiedono nella sua velocità, basso costo, e natura non distruttiva. Il team ritiene che sia possibile sviluppare piccoli, dispositivi spettroscopici portatili in modo che tutti possano facilmente valutare la freschezza della propria carne, anche a casa. Inoltre, spettroscopia simile e tecniche basate sulla CNN potrebbero essere estese anche ad altri prodotti, come pesce o maiale. Nel futuro, con un po' di fortuna, sarà più facile e più accessibile identificare ed evitare la carne discutibile.