Rapid methods for assessing of microbiological quality and detection of adulteration in animal origin food commodities using spectroscopy-based sensors coupled with machine learning methodologies

Abstract

Rapid and non-invasive assessment not only for food quality but also for the detection of fraudulent practices is of great importance for consumers protection. In that context current study concerns these two major topics and is focused on food commodities of animal origin. More precisely, machine learning algorithms were applied to spectroscopic data for (i) the estimation of microbiological quality of animal origin foods and (ii) for the detection of meat adulteration.

Η ταχεία και μη επεμβατική εκτίμηση όχι μόνο της ποιότητας των τροφίμων αλλά και της ανίχνευσης των δόλιων πρακτικών έχει μεγάλη σημασία για την προστασία των καταναλωτών. Στο πλαίσιο αυτό, η παρούσα μελέτη αφορά αυτά τα δύο σημαντικά θέματα και επικεντρώνεται στα τρόφιμα ζωικής προέλευσης. Πιο συγκεκριμένα, αλγόριθμοι μηχανικής μάθησης εφαρμόστηκαν σε φασματοσκοπικά δεδομένα για (i) την εκτίμηση της μικροβιολογικής ποιότητας τροφίμων ζωικής προέλευσης και (ii) για την ανίχνευση της νοθείας σε κρέας.