Infoscience

Report

Développement d’un nez électronique pour l’identification de carcasses à odeur de verrat : Par couplage avec un pyrolyseur ou avec un système de pré-concentration

Ce travail présente une stratégie nouvelle pour la détection des carcasses avec odeur de verrat. Il fait appel à une technique d’analyse globale du type nez électronique, mais surtout il base la modélisation du nez sur des caractéristiques des échantillons aussi bien chimiques (concentrations de A, S et I) que sensorielles (analyse sensorielle) Un système de nez électronique couplé à un pyrolyseur automatique a été développé pour l’identification des carcasses avec odeur de verrat. Différents modèles ont été établis par multi-class SVM (Support Vector Machine) et sélection des variables par algorithmes génétiques. La complexité de la problématique « odeur de verrat » fait que les connaissances actuelles des mécanismes, substances, etc. qui déterminent l’odeur de verrat est encore lacunaire. De sorte que les techniques d’identification basées uniquement dans l’analyse des substances connues comme responsables de l’odeur de verrat (androsténone, scatolee et indole) ne sont pas optimales. Ainsi, le nez électronique a été entrainé à identifier les échantillons avec odeur de verrat sur la base des classifications de référence de différents types, et notamment, l’utilisation conjointe de deux systèmes de référence : l’analyse sensoriel de tissu musculaire (dégustation de viande) par un panel de personnes spécialement entrainé et l’analyse chimique par HPLC de l’androsténone, scatole et indole dans du tissu adipeux. 353 échantillons ont été analysés sur une période de plus de 12 mois. Ces échantillons comportent des variations importantes quant à l’âge des animaux, leurs poids, leur mode de production, alimentation et leur race. Ils ont différentes origines, mais proviennent essentiellement de la Suisse. Selon les modèles établis, et en faisant omission des outliers, une validation semi-externe (avec entre 17 et 42% d’échantillons absents de la modélisation) montre des taux d’identification correcte proche de 98% des échantillons avec des teneurs détectables : androsténone > 1.0 mg/kg, scatolee > 0.16 mg/kg et indole > 0.16 mg/kg dans du tissu adipeux. On observe un effet important de l’inclusion des données sensorielles dans la modélisation sur le taux de faux négatifs. Par ailleurs, les modèles montrent une influence plus marqué des données HPLC que de l’analyse sensorielle dans la classification effectuée, probablement en raison du nombre réduit (58) des données de l’analyse sensorielle à disposition.

    Reference

    • LA-REPORT-2008-001

    Record created on 2008-09-26, modified on 2016-08-08

Fulltext

  • There is no available fulltext. Please contact the lab or the authors.

Related material