Hoewel rundvlees een van de meest geconsumeerde voedingsmiddelen ter wereld is, het eten als het over zijn hoogtepunt heen is, is niet alleen onsmakelijk, maar brengt ook enkele ernstige gezondheidsrisico's met zich mee. Helaas, beschikbare methoden om de versheid van rundvlees te controleren, hebben verschillende nadelen waardoor ze niet nuttig zijn voor het publiek. Bijvoorbeeld, chemische analyse of evaluaties van microbiële populaties nemen te veel tijd in beslag en vereisen de vaardigheden van een professional. Anderzijds, niet-destructieve benaderingen op basis van nabij-infraroodspectroscopie vereisen dure en geavanceerde apparatuur. Zou kunstmatige intelligentie de sleutel kunnen zijn tot een meer kosteneffectieve manier om de versheid van rundvlees te beoordelen?

Aan het Gwangju Instituut voor Wetenschap en Technologie (GIST), Korea, een team van wetenschappers onder leiding van Associate Processors Kyoobin Lee en Jae Gwan Kim heeft een nieuwe strategie ontwikkeld die deep learning combineert met diffuse reflectiespectroscopie (DRS), een relatief goedkope optische techniek. "In tegenstelling tot andere soorten spectroscopie, DRS vereist geen complexe kalibratie; in plaats daarvan, het kan worden gebruikt om een ​​deel van de moleculaire samenstelling van een monster te kwantificeren met alleen een betaalbare en gemakkelijk configureerbare spectrometer, " legt Lee uit. De bevindingen van hun onderzoek zijn nu gepubliceerd in Voedsel scheikunde .

Om de versheid van rundvleesmonsters te bepalen, ze vertrouwden op DRS-metingen om de verhoudingen van verschillende vormen van myoglobine in het vlees te schatten. Myoglobine en zijn derivaten zijn de eiwitten die voornamelijk verantwoordelijk zijn voor de kleur van vlees en de veranderingen ervan tijdens het afbraakproces. Echter, het handmatig omzetten van DRS-metingen in myoglobineconcentraties om uiteindelijk te beslissen over de versheid van een monster is geen erg nauwkeurige strategie - en dit is waar diep leren in het spel komt.

Convolutionele neurale netwerken (CNN) zijn veelgebruikte kunstmatige intelligentie-algoritmen die kunnen leren van een vooraf geclassificeerde dataset, aangeduid als 'trainingsset, ' en vind verborgen patronen in de gegevens om nieuwe invoer te classificeren. Om de CNN te trainen, de onderzoekers verzamelden gegevens over 78 rundvleesmonsters tijdens hun bederfproces door regelmatig hun pH (zuurgraad) te meten naast hun DRS-profielen. Na handmatig classificeren van de DRS-gegevens op basis van de pH-waarden als 'vers, ' 'normaal, ' of 'verwend, ' ze voedden het algoritme de gelabelde DRS-dataset en versmolten deze informatie ook met myoglobine-schattingen. "Door zowel myoglobine- als spectrale informatie te verstrekken, ons getrainde deep learning-algoritme kon de versheid van rundvleesmonsters in ongeveer 92% van de gevallen binnen enkele seconden correct classificeren, " benadrukt Kim.

Naast de nauwkeurigheid, de sterke punten van deze nieuwe strategie liggen in de snelheid, goedkoop, en niet-destructieve aard. Het team denkt dat het mogelijk is om kleine, draagbare spectroscopische apparaten zodat iedereen gemakkelijk de versheid van hun rundvlees kan beoordelen, zelfs thuis. Bovendien, soortgelijke spectroscopie en op CNN gebaseerde technieken zouden ook kunnen worden uitgebreid naar andere producten, zoals vis of varkensvlees. In de toekomst, met een beetje geluk, het zal gemakkelijker en toegankelijker zijn om twijfelachtig vlees te identificeren en te vermijden.