Sviluppo di Metodi di Analisi Multivariata delle Immagini per la Caratterizzazione del Colore di Matrici Alimentari

Il colore degli alimenti è una proprietà fondamentale, che svolge un ruolo importante nella valutazione della qualità e nelle decisioni del consumatore. Inoltre, negli alimenti il colore è strettamente legato alla presenza ed alla concentrazione di specifici componenti; ad esempio, il colore rosso è associato agli antociani, il verde alla clorofilla e l’arancione ai carotenoidi. Pertanto, lo sviluppo di metodi oggettivi in grado di quantificare le proprietà legate al colore dei campioni alimentari sta riscuotendo un interesse sempre maggiore da parte dell’industria alimentare. A tale scopo, è possibile sviluppare facilmente metodi analitici di misurazione del colore a partire da comuni fotocamere digitali, smartphone o scanner piani, i quali consentono di analizzare il campione in maniera rapida, economica e non distruttiva. Le immagini digitali sono array di dati tridimensionali costituite da un elevatissimo numero di pixel, ciascuno dei quali è definito dai valori di intensità dei canali Rosso, Verde e Blu. Per ricavare l’informazione utile da array di dati così complessi è necessario usare opportuni metodi chemiometrici, soprattutto nel caso di dataset costituiti da un gran numero di immagini digitali. In questo contesto, lo scopo della presente tesi di dottorato è consistito nello sviluppo di strategie chemiometriche per la caratterizzazione del colore di matrici alimentari attraverso l'imaging RGB, con particolare attenzione a due diverse problematiche relative all'uso delle immagini digitali a fini analitici: la standardizzazione delle immagini e la riduzione della dimensionalità dei dati. Per quanto riguarda il primo aspetto, diversi fattori, come l'instabilità strumentale o la variazione delle condizioni di illuminazione, possono influenzare la qualità delle immagini digitali e la loro riproducibilità nel tempo. La minimizzazione di tali effetti è di fondamentale importanza, in quanto consente di confrontare immagini raccolte in diverse sessioni di acquisizione o di applicare modelli calcolati su un set di dati di immagini ad altri campioni, nonché di trasferire a livello industriale una tecnologia sviluppata su scala di laboratorio. A tale scopo, è stata sviluppata un'interfaccia grafica (Graphical User Interface, GUI) scritta in linguaggio Matlab all’interno della quale sono stati implementati tre diversi algoritmi di correzione, permettendo così di scegliere quello più idoneo in funzione del problema specifico. Per quanto riguarda la riduzione della dimensionalità dei dati, è stato applicato un metodo di compressione dei dati che consiste essenzialmente nel convertire le immagini RGB in segnali monodimensionali, chiamati colorigrammi, ognuno dei quali può essere considerato come la fingerprint delle proprietà legate al colore dell'immagine corrispondente. In questo modo, dataset costituiti da numerose immagini digitali vengono convertiti in matrici di segnali che, a loro volta, possono essere analizzati utilizzando metodi chemiometrici per l’analisi esplorativa dei dati e per lo sviluppo di modelli di calibrazione e classificazione. L’efficacia di questo metodo di compressione è stata testata considerando diverse problematiche in campo agro-alimentare; inoltre è stata valutata anche la possibilità di applicare tecniche di data fusion per l’analisi congiunta di dati derivanti da imaging RGB ed altre tecniche analitiche come la lingua elettronica. Nell'ambito della presente tesi è stata anche aggiornata un'interfaccia grafica, denominata Colourgrams GUI, che permette di analizzare dataset di immagini RGB mediante l’approccio dei colorigrammi. In particolare, è stata implementata una nuova funzionalità che consente di calcolare modelli di calibrazione tramite l’algoritmo Partial Least Squares (PLS) per la quantificazione di proprietà di interesse dei campioni in esame.