Sicurezza alimentare, arriva l’algoritmo che semplifica il riconoscimento di cibi adulterati

Semplificare il sistema dei controlli per garantire che sulle tavole dei consumatori finiscano cibi che corrispondono per qualità e origine a quanto indicato in etichetta, attraverso moderne tecniche di spettroscopia e machine learning: è il risultato di un lavoro di ricerca condotto da due ricercatori del Dipartimento di Statistica e Metodi Quantitativi dell’Università di Milano-Bicocca, Francesca Greselin e Andrea Cappozzo, in collaborazione con i colleghi Ludovic Duponchel dell’Università di Lille (Francia) e Brendan Murphy dell’University College di Dublino (Irlanda).
Lo studio, dal titolo “Robust variable selection in the framework of classification with label noise and outliers: Applications to spectroscopic data in agri-food”, è stato pubblicato sulla copertina di “Analytica Chimica Acta”, prestigiosa rivista nell’ambito della chimica analitica e della spettroscopia.
Il team internazionale di ricercatori ha “testato” la spettroscopia su tre diverse tipologie di prodotti (lieviti, carne e olio) analizzando le sostanze senza danneggiare il campione sottoposto a verifica. La tecnica messa a punto, grazie ai sistemi di machine learning, consente di semplificare l’analisi della grande mole di dati raccolti, riducendo dall’ordine delle migliaia a quello delle decine il numero di misurazioni da acquisire dal segnale spettrometrico per un’accurata verifica che escluda adulterazioni delle sostanze. Tutto ciò con evidenti vantaggi sia in ordine di tempo che di costo delle operazioni di controllo.
L’utilizzo della spettroscopia e del machine learning negli studi di “food authenticity” nel settore agroalimentare aiuterà ad automatizzare i controlli dei cibi che entrano nelle nostre case, per assicurare maggiore qualità e sicurezza per consumatori. Tali metodologie, infatti, potranno trovare applicazione sia nell’ambito delle verifiche condotte dalle autorità governative, sia nelle procedure di certificazione di qualità dei prodotti.