Development and application of an optical laser based diagnostic technique combined with machine learning for the authentication, quality control, and adulteration detection of olive oil and milk samples

Abstract

The growing public awareness for food quality and safety, and the increasing number of food fraud cases, have led to a greater demand for fast and reliable food authentication techniques. Food fraud, which can include composition alteration, adulteration, substitution, mislabeling, etc., is a worldwide issue affecting various food industry sectors. These deceptive practices pose significant health risks to consumers, particularly when harmful or inferior substances are used in food products. Furthermore, fraudulent activities result in substantial economic losses and reputational damage for producers and retailers. High-value foodstuffs, such as dairy products and premium olive oils, are especially susceptible to fraud due to their economic and nutritional significance. In addition to consumer-related concerns, food fraud presents challenges for regulatory authorities, who constantly try to enforce compliance and maintain food standards within an evolving global market. The traditional analytical methods applied for food authentication, while effective, can be time-consuming, costly, and require qualified personnel and extensive sample preparation. As a result, there is a growing need for rapid, accurate, and cost-effective analytical techniques that can ensure food authenticity, detect adulteration, and enhance traceability. In this context, Laser-Induced Breakdown Spectroscopy (LIBS) has emerged as a powerful, and very rapid non-destructive spectroscopic technique for food analysis. LIBS is a laser based spectroscopic technique that uses a focused laser beam to create a plasma onto the surface of a sample, which then emits light. The emitted light is collected, and analyzed, enabling the identification and quantification of the elemental composition of the sample. One of the key advantages of LIBS is its ability to perform rapid, real-time, and in-situ analysis, often requiring minimal or not at all sample preparation. Furthermore, LIBS can detect almost all of the elements of the periodic table, many of which serve as critical markers for determining food authentication, quality, and safety. The versatility of LIBS extends to its capability to analyze various food matrices, including solid, liquid, and powdered samples. Recent advancements in LIBS technology, particularly its combination with machine learning, have significantly enhanced the related data processing capabilities, allowing for the rapid interpretation of complex spectral data, and delivering highly accurate results. As a result, LIBS is considered a cutting-edge tool for food fraud prevention, offering an innovative approach to ensuring food transparency. The present thesis investigates the combined use of LIBS technique and machine learning on food authentication-related issues. In particular, the identification of origin, detection of adulteration, and quality control, with emphasis on milk and olive oil, are explored. To achieve these objectives, an extensive series of LIBS experiments was conducted on one of the largest sample collections analyzed to date. Over 1000 milk samples from different animal origins and extra virgin olive oil (EVOO) samples from several renowned olive oil-producing regions in Greece have been studied. Numerous machine learning algorithms have been employed to analyze the LIBS spectroscopic data, thoroughly assessing their performance and effectiveness. Comparative studies have also been performed, evaluating the capabilities of LIBS and comparing its results with those from other spectroscopic techniques, such as UV-Vis-NIR absorption spectroscopy. In addition, some data fusion strategies have been explored, demonstrating the benefits of the combination of LIBS with other spectroscopic techniques. In the first chapter of the present thesis, a comprehensive review of LIBS foods-related applications, emphasizing staple foods, such as olive oil, milk, and honey, is presented. A detailed discussion of the principles of LIBS, including the fundamental physical processes, technical aspects, and instrumentation-related issues, is given. A description of machine learning methods often combined with LIBS is also provided. Emphasis is given to the learning styles, along with the challenges and some major pitfalls associated with the application of machine learning in LIBS analysis. Following this theoretical background, the recent advancements in LIBS-based authentication studies for olive oil, milk, and honey are reviewed. The focus is placed on key applications, including the identification of geographical, cultivar, animal, and botanical origin, and the detection of adulteration. Next, in Chapters 2 and 3, the application of LIBS for milk analysis is presented. In more detail, in Chapter 2, the classification of liquid and powdered milk samples, based on their animal origin, i.e., cow, goat, and sheep milk, is examined, using nanosecond (ns) laser pulses, while in Chapter 3 only lyophilized powder milk samples were studied using femtosecond (fs) laser pulses. In all cases, the collected spectroscopic data were analyzed by several machine learning algorithms, including Linear Discriminant Analysis (LDA), Multilayer Perceptron (MLP) neural network, Support Vector Machine (SVMs), Gradient Boosting (GB), and Logistic Regression (LR). A thorough evaluation of the performance of these algorithms was conducted, focusing particularly on their predictive performance. Moreover, the impact of the spectral features of the major inorganic components of milk, i.e., magnesium (Mg), calcium (Ca), sodium (Na), and potassium (K) were also studied in terms of milk’s samples classification. In Chapters 4 and 5, the potential of LIBS and UV-Vis-NIR absorption spectroscopy for the discrimination of pure EVOOs from EVOOs adulterated with lower-quality edible oils (i.e., corn, pomace, soybean, and sunflower oils) and the identification of the type of adulterant are studied. In Chapter 4, the LIBS related results are presented, while Chapter 5 the results from the combined study, i.e., using both LIBS and UV-Vis-NIR absorption spectroscopy are presented and discussed. For the analysis of the spectroscopic data, the LDA, SVMs, GB, and LR algorithms were used and are thoroughly assessed. Finally, the comparison of the performance of the two spectroscopic techniques is presented.

Η συνεχής ανάδειξη της σημασίας της διασφάλισης της ποιότητας και της ασφάλειας των τροφίμων και ο αυξανόμενος αριθμός περιπτώσεων απάτης έχουν οδηγήσει σε μεγαλύτερη ζήτηση αξιόπιστων τεχνικών πιστοποίησης της αυθεντικότητας των τροφίμων. Η απάτη τροφίμων, που περιλαμβάνει, μεταξύ άλλων, την αλλαγή σύστασης, τη νόθευση και τη λανθασμένη σήμανση, είναι ένα παγκόσμιο ζήτημα που επηρεάζει διάφορα τμήματα της βιομηχανίας τροφίμων. Τέτοιου τύπου δόλιες πρακτικές ενέχουν σημαντικούς κινδύνους για την υγεία των καταναλωτών, ιδίως όταν στα τρόφιμα εισάγονται επιβλαβείς ή κατώτερης διατροφικής αξίας ουσίες, ενώ, συγχρόνως, οδηγούν σε σημαντικές οικονομικές απώλειες και ζημία στη φήμη των παραγωγών. Ορισμένα τρόφιμα, υψηλής διατροφικής αξίας, όπως τα γαλακτοκομικά προϊόντα και το ελαιόλαδο, είναι ιδιαίτερα ευάλωτα σε δόλιες δραστηριότητες, λόγω της οικονομικής και διατροφικής τους σημασίας. Εκτός από τις ανησυχίες που σχετίζονται με τους καταναλωτές, η απάτη τροφίμων αποτελεί σοβαρό ζήτημα για τις ρυθμιστικές αρχές, οι οποίες καλούνται να διασφαλίσουν τη συμμόρφωση και τη διατήρηση των προτύπων τροφίμων σε μια συνεχώς εξελισσόμενη παγκόσμια αγορά. Οι παραδοσιακές αναλυτικές μέθοδοι που εφαρμόζονται μέχρι σήμερα για την πιστοποίηση της γνησιότητας των τροφίμων, αν και αποτελεσματικές, μπορεί να είναι χρονοβόρες, δαπανηρές και απαιτούν εξειδικευμένο προσωπικό και εκτεταμένη προετοιμασία των δειγμάτων. Ως αποτέλεσμα, υπάρχει αυξανόμενη ανάγκη για ταχείες, ακριβείς και οικονομικά αποδοτικές αναλυτικές τεχνικές που μπορούν να διασφαλίσουν τη γνησιότητα των τροφίμων, να ανιχνεύσουν τη νοθεία και να ενισχύσουν την ιχνηλασιμότητα. Στο πλαίσιο αυτό, η φασματοσκοπία πλάσματος επαγόμενου από λέιζερ (LIBS) έχει αναδειχθεί ως μια κατάλληλη αναλυτική τεχνική. Η τεχνική LIBS στηρίζεται στην αλληλεπίδραση μιας ισχυρής δέσμης λέιζερ με το υπό μελέτη δείγμα, οδηγώντας στον σχηματισμό πλάσματος, το οποίο εκπέμπει φως. Το εκπεμπόμενο φως συλλέγεται και αναλύεται, επιτρέποντας τον προσδιορισμό της στοιχειώδους σύστασης του δείγματος. Ένα από τα κύρια πλεονεκτήματα της τεχνικής είναι η ικανότητά της να παρέχει γρήγορη, πραγματικού χρόνου και επιτόπια ανάλυση, ειδικά χωρίς εκτεταμένη ή, στις περισσότερες περιπτώσεις, καθόλου προετοιμασία δείγματος. Η τεχνική είναι επίσης ικανή να ανιχνεύσει πληθώρα στοιχείων, τα οποία είναι συχνά κρίσιμα για την αναγνώριση της αυθεντικότητας, τη ποιότητα και την ασφάλεια των τροφίμων. Επιπλέον, μπορεί να αναλύσει διάφορα τρόφιμα, όπως υγρά, στερεά ή σε σκόνη. Οι πρόσφατες εξελίξεις στην τεχνολογία και τον προγραμματισμό, συμπεριλαμβανομένης της συνδυασμένης χρήσης της τεχνικής με τη μηχανική μάθηση, έχουν ενισχύσει σημαντικά την ικανότητά της να επεξεργάζεται σύνθετα δεδομένα και να παρέχει εξαιρετικά ακριβή αποτελέσματα. Συνεπώς, η τεχνική LIBS έχει αναδειχθεί ως ένα σύγχρονο εργαλείο για την πρόληψη της απάτης, προσφέροντας μια καινοτόμο προσέγγιση για τη διασφάλιση της διαφάνειας των τροφίμων.Η παρούσα διδακτορική διατριβή διερευνά την συνδυασμένη εφαρμογή της τεχνικής LIBS και της μηχανικής μάθησης σε ζητήματα πιστοποίησης της αυθεντικότητας τροφίμων. Συγκεκριμένα, εξετάζονται ζητήματα όπως η αναγνώριση της προέλευσης, η ανίχνευση νόθευσης και ο ποιοτικός έλεγχος, με έμφαση στο γάλα και το ελαιόλαδο. Για την επίτευξη αυτών των στόχων, πραγματοποιήθηκε μια εκτενής σειρά πειραμάτων LIBS σε μία από τις μεγαλύτερες συλλογές δειγμάτων που έχουν αναλυθεί μέχρι σήμερα. Ιδιαίτερα, μελετήθηκαν περισσότερα από 1000 δείγματα γάλακτος, διαφορετικής ζωικής προέλευσης, καθώς και δείγματα εξαιρετικού παρθένου ελαιόλαδου από διάφορες ελαιοπαραγωγικές περιοχές της Ελλάδας. Επιπλέον, χρησιμοποιήθηκαν πολλαπλοί αλγόριθμοι μηχανικής μάθησης για την ανάλυση των φασματοσκοπικών δεδομένων, με την απόδοση και την αποτελεσματικότητά τους να αξιολογούνται λεπτομερώς. Τέλος, πραγματοποιήθηκαν μελέτες όπου οι δυνατότητες της τεχνικής LIBS αξιολογήθηκαν σε σχέση με άλλες φασματοσκοπικές τεχνικές (συγκριτικά ή/και συνδυαστικά), όπως η φασματοσκοπία απορρόφησης. Το Κεφάλαιο 1 της παρούσας διατριβής παρέχει μια πλήρη ανασκόπηση των εφαρμογών της τεχνικής LIBS στην ανάλυση τροφίμων, με έμφαση σε βασικά τρόφιμα όπως το ελαιόλαδο, το γάλα και το μέλι. Στο κεφάλαιο παρουσιάζονται λεπτομερώς οι αρχές λειτουργίας της τεχνικής, συμπεριλαμβανομένων των θεμελιωδών φυσικών διεργασιών και των τεχνικών πτυχών. Επιπλέον, δίνεται η περιγραφή των μεθόδων μηχανικής μάθησης που συνδυάζονται συνήθως με τη τεχνική, με έμφαση στις μορφές μάθησης, καθώς και στις προκλήσεις και τις βασικές παγίδες που προκύπτουν κατά την εφαρμογή της στην ανάλυση φασματοσκοπικών δεδομένων. Στη συνέχεια, αναφέρονται οι πρόσφατες μελέτες ανάλυσης του ελαιόλαδου, γάλακτος και μελιού, εστιάζοντας κυρίως στην αναγνώριση της γεωγραφικής προέλευσης, του φυτικού και ζωικού είδους και στην ανίχνευση νόθευσης. Στα Κεφάλαια 2 και 3 παρουσιάζεται η εφαρμογή της τεχνικής LIBS στην ανάλυση του γάλακτος. Συγκεκριμένα, στο Κεφάλαιο 2 περιγράφεται η ταξινόμηση δειγμάτων γάλακτος σε υγρή μορφή και μορφή σκόνης, με βάση την ζωική προέλευση (αγελαδινό, κατσικίσιο και πρόβειο γάλα), χρησιμοποιώντας φάσματα LIBS που συλλέχθηκαν με χρήση nanosecond (ns) λέιζερ. Στο Κεφάλαιο 3 παρουσιάζονται τα αποτελέσματα της ίδιας ανάλυσης, σε δείγματα γάλακτος υπό μορφή σκόνης, των οποίων τα φάσματα LIBS συλλέχθηκαν με χρήση femtosecond (fs) λέιζερ. Η ανάλυση των φασματοσκοπικών δεδομένων υλοποιήθηκε με εφαρμογή των εξής αλγόριθμων μηχανικής μάθησης: Linear Discriminant Analysis (LDA), Multilayer Perceptron (MLP) neural network, Support Vector Machine (SVMs), Gradient Boosting (GB), και Logistic Regression (LR). Επιπλέον, αξιολογήθηκε η επίδραση της επιλογής χαρακτηριστικών φασματικών εκπομπών στην απόδοση της ταξινόμησης των δειγμάτων γάλακτος βάσει της ζωικής προέλευσης, επικεντρώνοντας το ενδιαφέρον σε βασικές φασματικές εκπομπές που αντιστοιχούν στο ανόργανο περιεχόμενο του γάλακτος, όπως το μαγνήσιο (Mg), το ασβέστιο (Ca), το νάτριο (Na) και το κάλιο (K). Στα Κεφάλαια 4 και 5 παρουσιάζονται οι δυνατότητες της τεχνικής LIBS για την πιστοποίησης της αυθεντικότητας του ελαιόλαδου, εστιάζοντας στην ανίχνευση της νόθευσης. Συγκεκριμένα, εξαιρετικά παρθένα ελαιόλαδα αναμείχθηκαν με κατώτερης ποιότητας φυτικά έλαια, όπως λάδι καλαμποκιού, πυρηνέλαιου, σόγιας και ηλιέλαιου. Στις παρούσες μελέτες ο στόχος ήταν η διάκριση των καθαρών ελαιόλαδων από τα νοθευμένα και η αναγνώριση του φυτικού ελαίου που χρησιμοποιήθηκε. Στο Κεφάλαιο 4, η ανίχνευση της νόθευσης βασίστηκε αποκλειστικά στα δεδομένα LIBS, ενώ στο Κεφάλαιο 5, εξετάζεται η εφαρμογή τόσο της τεχνικής LIBS όσο και της φασματοσκοπίας απορρόφησης στα ίδια δείγματα ελαιόλαδου, επιτρέποντας μια άμεση σύγκριση της απόδοσης των δύο τεχνικών. Για την ανάλυση των δεδομένων εφαρμόστηκαν οι αλγόριθμοι LDA, SVMs, GB και LR.