Resumen
In situ detection of adulterations in food by infrared thermography and intelligent algorithms. The method of in situ detection of adulterations consists of an analysis with a thermal imager where thermographic images of pure and adulterated mixtures are obtained. The images are subsequently analyzed using mathematical models based on artificial intelligence allowing the identification of specific differences in temperature maps. Convolutional neural networks are used that are trained and optimized to distinguish qualitatively and quantitatively pure and adulterated samples with 95% medium accuracy in the case of honey and close to 100% in the case of extra virgin olive oil. This method is an analytical alternative in product quality controls and exposure to food fraud, being an innovative technique for public safety and an effective tool for the detection of hazardous compounds. (Machine-translation by Google Translate, not legally binding)
Reivindicaciones
1. REIVINDICACIONES 1. Método de detección in situ de adulteraciones en alimentos que comprende: a) Generar una base de datos de imágenes termográficas de muestras adulteradas y sin adulterar tomando dichas imágenes mediante una cámara termográfica durante un periodo de decremento de temperatura de las muestras. b) Diseñar una red neuronal convolucional para el tratamiento de las imágenes tomadas. c) Entrenar la red neuronal convolucional utilizando la base de datos para diferenciar muestras adulteradas y sin adulterar siguiendo modelos matemáticos. d) Validar los modelos matemáticos. e) Testar la red neuronal convolucional diseñada utilizando muestras previamente adulteradas. f) Generar imágenes termográficas de muestras sospechosas de adulteración y analizarlas empleando la red neuronal convolucional previamente entrenada y validada. 2. Método de detección in situ de adulteraciones en alimentos, según reivindicación 1, donde previamente las muestras son calentadas a una temperatura hasta un 60 % superior a la temperatura ambiente y se introducen en un recinto parcialmente adiabático con una apertura frontal que permite que la radiación infrarroja emitida al enfriarse sea captada directamente por la cámara terrmográfica. 3. Método de detección in situ de adulteraciones en alimentos, según reivindicaciones anteriores, donde el alimento es miel con posible adulteración con sirope de arroz en un porcentaje entre el 1 y el 8 % en peso. 4. Método de detección in situ de adulteraciones en alimentos, según reivindicación 3, donde el decremento de temperatura en la muestra va desde los 40°C hasta los 36°C durante el cual se toman imágenes termográficas cada quince centésimas de segundos completando una base de datos de, aproximadamente, 80.000 imágenes. 5. Método de detección in situ de adulteraciones en alimentos, según reivindicaciones 1 y 2, donde el alimento es aceite de oliva virgen extra (AOVE) variedad Picual adulterado con tres tipos de aceite de peor calidad (aceite de girasol, aceite de oliva refinado y/o aceite de orujo de oliva) en un porcentaje entre el 2 y el 8%. 6. Método de detección in situ de adulteraciones en alimentos, según reivindicación 5, donde el decremento de temperatura en la muestra va desde los 39°C hasta los 36°C. 7. Método de detección in situ de adulteraciones en alimentos, según reivindicación 1, donde la red neuronal convolucional presenta tres tipos de capa: convolucional, capa pooling y capa fully connected y una función de error que participa en la determinación de los parámetros de aprendizaje. 8. Método de detección in situ de adulteraciones en alimentos, según reivindicación 7, donde la capa convolucionales constan de 8 filtros de kernel de tamaño 3x3, relleno zero padding, un stride de 2x2 y requieren una función de activación no lineal. 9. Método de detección in situ de adulteraciones en alimentos, según reivindicación 7, donde la función de activación no lineal es la función de activación no lineal rectificada (ReLU) y anterior a ella se aplica una capa de normalización reduciendo el riesgo de overfitting. 10. Método de detección in situ de adulteraciones en alimentos, según reivindicaciones 7 a 9, donde la capa de pooling emplea el método maxpooling como complemento a la convolución con una dimensión de 2x2. 11. Método de detección in situ de adulteraciones en alimentos, según reivindicaciones 7 a 10, donde la capa fully connected aplica la función softmax para calificar cada imagen. 12. Método de detección in situ de adulteraciones en alimentos, según reivindicaciones 7 a 11, donde el entrenamiento de la red neuronal utiliza un algoritmo de retropropagación para la optimización de los filtros kernel y los pesos de la capa fully connected a través de la función error y el gradiente descendente iniciando el coeficiente de aprendizaje con el valor 0,0001, fijando un rate drop del mismo de 0,1 y utilizando un conjunto de datos de entrenamiento (minibatch) denominado gradiente estocástico (SGD). 13. Método de detección in situ de adulteraciones en alimentos, según reivindicaciones 7 a 12, donde la validación y prueba de los modelos se realiza dividiendo de forma aleatoria las imágenes termográficas obtenidas en tres grupos: entrenamiento (75%), validación (15%) y test (10%), de forma que el primer grupo se emplea para calcular errores y optimizar parámetros 10 de aprendizaje, el segundo para verificación de parámetros del modelo y el tercero para comprobar la precisión final del modelo. 14. Equipo para la detección in situ de adulteraciones en alimentos, según el método reivindicado, que comprende un recinto parcialmente adiabático (2) 15 donde se aloja una cubeta con la muestra a analizar (1) que emite en el rango infrarrojo al variar su temperatura (3) y que se encuentra separada a un distancia (4) de una cámara termográfica (5) acoplada a un ordenador con software termográfico (5). 15. Equipo para la detección in situ de adulteraciones en alimentos, según reivindicación 14, donde la distancia entre la muestra a analizar y la cámara termográfica es de 25 cm.
