Ερευνητές από το Πανεπιστήμιο Wuhan Polytechnic ανέπτυξαν ένα νέο πολυτροπικό σύστημα που εντοπίζει τη νοθεία στο ελαιόλαδο με ακρίβεια 90,7%. Η μελέτη, η οποία δημοσιεύθηκε στο επιστημονικό περιοδικό Food Chemistry, συνδυάζει την τεχνητή νοημοσύνη με προηγμένες φασματοσκοπικές μεθόδους για τον άμεσο διαχωρισμό του καθαρού προϊόντος από δόλια μείγματα φυτικών ελαίων.
Για τους ελαιοπαραγωγούς, τους τυποποιητές και τις ελεγκτικές αρχές, η εξέλιξη αυτή μεταφράζεται σε ταχύτερους και φθηνότερους ελέγχους γνησιότητας στα τελωνεία, τα ράφια των σούπερ μάρκετ και τα σημεία παραλαβής. Πρακτικά, η εφαρμογή τέτοιων συστημάτων σε ευρεία κλίμακα θωρακίζει το γνήσιο έξτρα παρθένο ελαιόλαδο από τον αθέμιτο ανταγωνισμό των φθηνών σπορέλαιων, τα οποία συχνά χρωματίζονται και «βαφτίζονται» παράνομα ως ελαιόλαδο, πιέζοντας τεχνητά τις τιμές παραγωγού προς τα κάτω.
Ο διπλός έλεγχος που ακτινογραφεί το δείγμα
Η παραδοσιακή χημική ανάλυση για τον εντοπισμό νοθείας είναι συχνά μια χρονοβόρα και δαπανηρή διαδικασία. Οι παραβάτες έχουν εξελίξει τις μεθόδους τους, δημιουργώντας μείγματα που περνούν κάτω από το ραντάρ των βασικών ελέγχων. Για να αντιμετωπίσουν αυτό το πρόβλημα, οι ερευνητές στην Κίνα δεν βασίστηκαν σε μία μόνο μέθοδο, αλλά συνέθεσαν τα δεδομένα από δύο διαφορετικές τεχνολογίες.
Αρχικά, χρησιμοποίησαν τη Φασματοσκοπία Raman, ένα εργαλείο που παρέχει λεπτομερείς πληροφορίες για τη μοριακή σύσταση του δείγματος, «διαβάζοντας» ουσιαστικά το χημικό αποτύπωμα του λαδιού. Παράλληλα, επιστράτευσαν τον Πυρηνικό Μαγνητικό Συντονισμό χαμηλού πεδίου (LF-NMR). Η συγκεκριμένη τεχνολογία καταγράφει δεδομένα σχετικά με τις φυσικές και δομικές ιδιότητες των ελαίων, εντοπίζοντας ανωμαλίες στη δομή που προδίδουν την παρουσία ξένων ουσιών.
Η ταχύτητα με την οποία η τεχνολογία ενσωματώνεται πλέον στα αγροδιατροφικά συστήματα της Ασίας είναι χαρακτηριστική. Όπως έχουμε αναφέρει σε προηγούμενο ρεπορτάζ για το ρομπότ που συσκευάζει μήλα πάνω στο δέντρο, η αυτοματοποίηση μεταφέρεται ραγδαία από το χωράφι στο εργαστήριο, μειώνοντας δραστικά τον χρόνο που απαιτείται για διαδικασίες που κάποτε χρειάζονταν μέρες.
Ο ρόλος της μηχανικής μάθησης στον υπολογισμό
Η απλή συλλογή φασματικών δεδομένων δεν αρκεί από μόνη της αν δεν υπάρχει το κατάλληλο εργαλείο για να τα αποκωδικοποιήσει γρήγορα. Εδώ υπεισέρχεται η μηχανική μάθηση (Machine Learning).
Οι ερευνητές τροφοδότησαν τα δεδομένα σε διάφορα χημειομετρικά μοντέλα, αναζητώντας τον αλγόριθμο που θα μπορούσε να ξεχωρίσει τα καθαρά έλαια από τα νοθευμένα. Ανάμεσα στα μοντέλα που δοκιμάστηκαν, ο αλγόριθμος XGBoost αποδείχθηκε ο πιο αποδοτικός. Πέτυχε ακρίβεια ταξινόμησης 90,74% στην αναγνώριση δέκα διαφορετικών κατηγοριών ελαίων. Επιπλέον, κατέγραψε συντελεστές προσδιορισμού (R²) μεγαλύτερους από 0,90, πράγμα που σημαίνει ότι το σύστημα δεν εντοπίζει απλώς ότι ένα ελαιόλαδο είναι νοθευμένο, αλλά μπορεί να υπολογίσει με μεγάλη ακρίβεια το ποσοστό της πρόσμειξης σε δυαδικά και τριαδικά μείγματα.
| Τεχνολογία | Λειτουργία στην Ανάλυση Ελαιολάδου |
| Φασματοσκοπία Raman | Αποτυπώνει τη μοριακή σύσταση και το χημικό προφίλ του δείγματος |
| LF-NMR (Συντονισμός) | Καταγράφει τις φυσικές και δομικές ιδιότητες των ελαίων |
| Αλγόριθμος XGBoost | Ταξινομεί και υπολογίζει το ακριβές ποσοστό πρόσμειξης (ακρίβεια 90,7%) |
| SHAP (Εξηγήσιμη AI) | Αναλύει ποιες μεταβλητές οδήγησαν το σύστημα στο συμπέρασμα περί νοθείας |
Διαφάνεια στις αποφάσεις του ελεγκτή
Ένα συχνό πρόβλημα με τα συστήματα τεχνητής νοημοσύνης είναι το φαινόμενο του «μαύρου κουτιού» — το λογισμικό βγάζει ένα αποτέλεσμα, αλλά οι επιστήμονες δεν γνωρίζουν πώς ακριβώς κατέληξε σε αυτό. Σε νομικά ή ελεγκτικά ζητήματα, όπως η επιβολή προστίμων για νοθεία τροφίμων, οι αρχές πρέπει να μπορούν να τεκμηριώσουν την απόφασή τους.
Για τον λόγο αυτό, η μελέτη ενσωμάτωσε τεχνικές Εξηγήσιμης Τεχνητής Νοημοσύνης (Explainable AI) μέσω της ανάλυσης SHAP. Η προσέγγιση αυτή επιτρέπει στους ελεγκτές να βλέπουν ξεκάθαρα ποιες φασματικές μεταβλητές και ποιοι παράμετροι χαλάρωσης βάρυναν περισσότερο στην τελική απόφαση του αλγόριθμου. Αυξάνεται έτσι η διαφάνεια, καθιστώντας τα αποτελέσματα νομικά και επιστημονικά αξιοποιήσιμα από τους κρατικούς φορείς.
Η αξία της άμεσης ανίχνευσης για την αγορά
Η εισαγωγή ταχέων συστημάτων πιστοποίησης αλλάζει τα δεδομένα για τον κλάδο της ελαιοκομίας. Όσο οι πρακτικές νοθείας γίνονται πιο σύνθετες, τόσο μεγαλύτερη είναι η ανάγκη για εργαλεία που δίνουν απαντήσεις επί τόπου.
Η προστασία του προϊόντος από τη νοθεία αποτελεί βασικό πυλώνα για τη βιωσιμότητα της καλλιέργειας, η οποία ήδη δέχεται πιέσεις από τις κλιματικές μεταβολές και τα αυξημένα κόστη, ζητήματα που έχουν απασχολήσει έντονα τη συζήτηση στη Βουλή για το σχέδιο διάσωσης της ελαιοπαραγωγής. Η τεχνολογία που αναπτύχθηκε στο Wuhan Polytechnic University προσφέρει μια απτή λύση. Αποτελεί τη βάση για τη δημιουργία φορητών, γρήγορων σαρωτών που θα ελέγχουν την ποιότητα του ελαιολάδου σε πραγματικό χρόνο, διασφαλίζοντας το εισόδημα του έντιμου παραγωγού και την υγεία του καταναλωτή.
Πηγή: olivenews.gr
