Atténuer les variations et optimiser les paramètres critiques du produit ?

Dans cet article, nous aborderons deux questions récurrentes dans la production alimentaire : l’atténuation des variations de la composition physico-chimique du produit par le contrôle des valeurs nutritionnelles critiques et la manière dont ces paramètres peuvent être optimisés à l’aide d’outils en ligne. Enfin, nous aborderons un cas d’application de la technologie hyperspectrale NIR dans le secteur de la boulangerie industrielle et le contrôle d’un intrant critique dans cette industrie, la graisse.

La technologie hyperspectrale dont il est question dans cet article est une extension de la vision artificielle traditionnelle à deux égards : Premièrement, au lieu des trois canaux de couleur habituels de la vision artificielle, l’imagerie hyperspectrale utilise jusqu’à des centaines de canaux, ce qui permet de voir des différences très subtiles. Deuxièmement, les caméras hyperspectrales ont souvent une gamme spectrale étendue au-delà du visible, c’est-à-dire dans l’infrarouge, où la composition chimique est beaucoup plus évidente que dans le domaine visible. L’imagerie hyperspectrale peut donc être considérée comme un changement de paradigme dans les systèmes de vision et comme une source de données abondantes et de haute qualité pour alimenter les systèmes de vision basés sur des algorithmes d’intelligence artificielle. En pratique, disposer d’une caméra hyperspectrale équivaut à avoir un spectrophotomètre dans chaque pixel.

Cependant, jusqu’à présent, l’utilisation de cette technologie a été limitée à des environnements très spécifiques : applications militaires et laboratoires de recherche. IRIS est un pionnier dans l’extension de l’utilisation de cette technologie au-delà de ces environnements, afin d’exploiter son énorme potentiel dans les environnements industriels. En ce sens, il ne suffit pas de disposer d’une caméra adéquate, mais chaque application spécifique nécessite un travail d’intégration et le développement d’une solution d’apprentissage automatique appropriée. IRIS est spécialisé dans ces deux domaines.

Bien que la technologie ait de nombreuses applications dans différents secteurs et processus, nous parlerons du secteur de la boulangerie industrielle, où il est essentiel de contrôler la teneur en matières grasses, non seulement parce que les tendances de consommation l’exigent, mais aussi parce que de grandes variations de la valeur des matières grasses entraînent des dépassements de coûts, expliqués par l’utilisation sous-optimale de la matière première – l’huile – ainsi que des changements inattendus dans la palatabilité du produit lorsque l’apport est nettement supérieur ou inférieur à la valeur optimale.

Ce qui se passe, c’est qu’avec les techniques de laboratoire actuelles pour contrôler la valeur de la matière grasse, comme la méthode Soxhlet, qui prend plusieurs heures, il n’est jamais possible de remarquer ces variations et de rectifier le processus en temps réel, car il s’agit d’une méthode hors ligne, qui nécessite un échantillonnage, une préparation, des intrants et du personnel spécifiques et surtout du temps pour ses résultats, ce qui la rend incompatible avec l’idée de normaliser le produit, l’utilisation des matières premières et en particulier avec toute tentative d’optimiser les paramètres de qualité critiques dans le processus de production, ce qui ne peut se faire qu’en ayant des mesures – et des informations – en continu et une marge d’erreur minimale.

Ce dernier point est intéressant à clarifier et se produit avec différents paramètres dans différents aliments qui sont fabriqués, tels que l’humidité, la graisse, les sucres, les assaisonnements ou autres, où il y a une valeur « optimale » dans l’équation qualité vs. coûts de production, mais difficile à atteindre en raison du manque de mesure et d’information en temps réel de la composition chimique du produit. Par exemple, si, en tant que fabricant, je connais la valeur d’humidité de ma production en temps réel et que l’erreur de cette mesure est très faible, il y a une marge et une possibilité d’ajuster la formulation du produit à cette valeur idéale; sinon, avec une méthode hors ligne, ce serait une décision à haut risque et difficile à contrôler.

Un cas d’application :

Un important client du secteur de la boulangerie industrielle avait besoin d’atténuer les variations de la teneur en matières grasses et d’optimiser son utilisation dans le processus. Il a observé des changements dans le produit qui ne pouvaient guère s’expliquer par des modifications de la formulation. Une étude a donc été lancée pour déterminer les processus à l’origine de ces changements. L’étude est lente et compliquée car il manque un outil qui lui permette de mesurer rapidement la teneur en matière grasse afin de pouvoir la relier à des changements dans ses processus.

Le système industriel Visum HSI™ installé fonctionne dans la gamme des infrarouges. Il permet l’inspection en termes de teneur en matière grasse, unité par unité de produit. Le software intégré et les outils Chemometrics d’IRIS Technology Solutions permettent à l’utilisateur d’auto-étalonner l’appareil en fonction des changements de composition du produit et il est interfacé de manière transparente avec les systèmes d’information de l’usine.

Le client a ainsi pu déterminer le point du processus où les variations de matières grasses étaient générées en mesurant et en ajustant en temps réel la recette et en économisant 1,5 % d’huile dans le processus.

Comme tous les équipements d’IRIS Technology, il est multiparamétrique, c’est-à-dire qu’il peut fournir simultanément, à partir d’une même lecture, des informations sur de multiples paramètres, non seulement quantitatifs (par exemple, la teneur en humidité ou en sucre ou la taille de l’unité), mais aussi qualitatifs (par exemple, le degré de cuisson ou les variations morphologiques).

Si vous souhaitez en savoir plus sur la spectroscopie NIR hiperespectral et ses applications à d’autres processus, produits et industries, n’hésitez pas à nous contacter à l’adresse info@iris-eng.com.