Modèles d’apprentissage automatique pour mieux détecter les contaminations bactériennes dans l’agroalimentaire

Dans le cadre de ce projet, un système a été mis au point pour permettre un contrôle rapide de la qualité microbiologique dans l'industrie agroalimentaire. Grâce à la spectroscopie Raman, qui utilise la lumière pour déterminer la composition chimique des bactéries, et à l'apprentissage automatique, des bactéries telles que E. coli et la salmonelle sont identifiées en quelques heures seulement. À l'avenir, la préparation des échantillons devrait être encore simplifiée afin de faciliter l'intégration du système dans les processus de production.

Ce projet portait sur le développement d’un système de contrôle de la qualité microbiologique dans l’industrie agroalimentaire, utilisant la spectroscopie Raman et l’apprentissage automatique. L’objectif était de permettre la détection rapide et l’identification au niveau de l’espèce de contaminants bactériens tels que E. coli, Salmonella et Listeria, offrant ainsi une alternative aux tests actuels, qui prennent beaucoup de temps, et réduisant le délai d’obtention des résultats de quelques jours à quelques heures.

Pour atteindre nos objectifs, de vastes ensembles de données ont été collectés sur des organismes modèles (souches d’E. coli et de Pseudomonas, à titre de preuve de concept) afin d’entraîner, de valider et de tester le modèle dans divers paramètres environnementaux. Un modèle d’apprentissage automatique de type réseau neuronal convolutif (CNN) a été développé et a atteint d’excellentes performances de classification lors de tests aléatoires, avec une précision supérieure à 98 %. Ce modèle permet de distinguer différentes espèces bactériennes, voire des souches spécifiques, ce qui peut fournir des informations pertinentes pour le suivi de la contamination et l’évaluation des risques.

La spectroscopie Raman améliorée en surface (SERS) a également été utilisée, en recourant à des nanoparticules d’or pour augmenter l’intensité du signal et réduire les temps de mesure à quelques millisecondes par cellule. De plus, un prototype de puce microfluidique a été développé pour faciliter la préparation des échantillons en vue d’applications industrielles. Ces deux aspects ont encore accru la sensibilité et la vitesse d’identification de notre solution.

Par ailleurs, des liens essentiels ont été tissés avec des acteurs industriels afin de garantir que notre développement vise directement à résoudre les problèmes existants. Ces collaborations ont impliqué plusieurs grands producteurs alimentaires suisses, notamment Migros Industrie et Eisberg, et se poursuivent après l’achèvement de cette subvention.

En résumé, le projet a abouti à : un modèle d’apprentissage automatique de type CNN pour l’identification des souches bactériennes à l’aide de la spectroscopie Raman ; une base de données spectrale associée répertoriant les bactéries testées ; et un prototype de puce microfluidique pour la préparation rapide des échantillons. Ces travaux constituent une preuve de concept pour un outil de contrôle qualité rapide, enrichi de capacités d’apprentissage automatique. Les futures mises en œuvre de notre solution pourraient potentiellement réduire les délais de contrôle qualité, générer des économies de coûts, diminuer le gaspillage alimentaire et renforcer la sécurité alimentaire, contribuant ainsi aux capacités et aux normes élevées de l’industrie agroalimentaire suisse.

Dans le cadre de nos travaux futurs, nous continuerons à affiner notre approche afin de la rendre plus portable et de simplifier davantage les étapes de préparation des échantillons, pour garantir une intégration aisée dans les environnements de production.