Détection de composants minoritaires dans les produits pulvérulents de l'industrie agro-alimentaire par imagerie hyperspectrale proche infrarouge

Detection of minor compounds in food powder using near infrared hyperspectral imaging

• Auteur / Autrice : Antoine Laborde
• Direction : Christophe Cordella, Benoît Jaillais
• Type : Thèse de doctorat
• Discipline(s) : Chimie analytique
• Date : Soutenance le 03/12/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Agriculture, alimentation, biologie, environnement, santé (Paris ; 2015-....)
• Partenaire(s) de recherche : référent : AgroParisTech (France ; 2007-....)
• Partenaire(s) de recherche : Laboratoire : Physiologie de la Nutrition et du Comportement Alimentaire (PNCA)
• Jury : Président / Présidente : Evelyne Vigneau
• Jury : Examinateurs / Examinatrices : Evelyne Vigneau, Cyril Ruckebusch, Nathalie Dupuy, Silvia Mas Garcia, Dalila Azzout-Marniche
• Jury : Rapporteurs / Rapporteuses : Cyril Ruckebusch, Nathalie Dupuy

Mots clés

Mots clés contrôlés

Spectroscopie infrarouge proche

Poudres alimentaires

Algorithmes

Imagerie hyperspectrale

Mots clés libres

Imagerie hyperspectrale

Spectroscopie proche infrarouge

Profondeur de pénétration

Démélange de spectres

Poudre agro-Alimentaire

Détection

Hyperspectral imaging

Near infrared spectroscopy

Penetration depth

Spectral unmixing

Food powder

Detection

Résumé

L’imagerie hyperspectrale proche infrarouge (PIR) permet d’obtenir une carte spectrale d’un échantillon organique. La mesure d’un spectre pour chaque pixel de la caméra permet notamment la recherche de composés minoritaires dans les poudres agroalimentaires. Cependant, l’analyse spectrale PIR est limitée à une couche de profondeur donnée. De plus, la taille des particules associée à une résolution insuffisante des caméras PIR actuelles induisent un mélange des signaux spectraux dans les pixels de l’image. Ces deux problèmes sont une limitation pour l’analyse des composés minoritaires dans les poudres agroalimentaires.Nous proposons une méthode permettant de déterminer la profondeur de détection d’une cible composite placée dans un produit pulvérulent tel que la farine de blé. Basée sur une régression par projection sur les structures latentes, cette méthode permet d’appréhender l’atténuation du signal PIR lorsque la couche de poudre augmente, et ce malgré les problèmes inhérents à la détection en profondeur.De plus, deux stratégies de démélange de spectres sont proposées dans le but de détecter les pixels contenant des signatures de particules minoritaires. Le manque de valeur de référence utilisées en tant que données de validation des algorithmes ainsi que l’ambiguïté des spectres des composés pures à démélanger sont deux difficultés majeures. Une première stratégie consiste à modélisation la variabilité des spectres étudiés via l’Analyse en Composantes Principales afin de construire un algorithme de détection performant. La deuxième stratégie, basée sur la Multivariate Curve Resolution Alternating Least-Squares permet le démélange des signaux par pixels dans un cas plus complexe.

Near-infrared (NIR) hyperspectral imaging provides a spectral map for organic samples. Minor compounds in food powder can be looked for by analyzing the pixel spectra. However, the NIR spectral analysis is limited to a given depth. Besides, particles smaller than the pixel size induce a mixed spectral signature in the pixels. These two issues are an obstacle to the analysis of minor compounds in food powders.We propose a method to determine the detection depth of a composite target under a layer of powder such as wheat flour. It is based on the Partial Least Squares regression and provides an understanding of how the NIR signal is attenuated when the layer of powder despite the penetration depth issues.Two spectral unmixing strategies are proposed to detect pixel with minor compound NIR signatures. The lack of reference values to validate the model and the ambiguity of the spectral signature to unmix are two major difficulties. The first method models the spectral variability using Principal Component Analysis to design a performant detection algorithm. Then, for a more complex situation, the Multivariate Curve Resolution Alternating Least-Squares algorithm is used to unmix each pixel.