Summary

Système de vision par ordinateur pour l’évaluation du comportement de fonte de la crème glacée

Published: October 04, 2024
doi:

Summary

Ici, nous présentons un protocole basé sur un système de vision par ordinateur (CVS) pour déterminer le comportement de fusion des systèmes alimentaires multiphasiques.

Abstract

Le comportement à la fonte est l’un des indices de qualité les plus importants de la crème glacée. Il est généralement évalué par des méthodes gravimétriques et exprimé en termes de temps de début et de vitesse de fusion. Cependant, l’aspect de la glace lors de la fonte est également important car la conservation de la forme est liée à une bonne structure du produit. Le protocole proposé ici illustre un système de vision par ordinateur (CVS) qui peut être utilisé pour soutenir la méthodologie gravitationnelle déjà existante pour calculer deux nouveaux indices de fusion liés à la rétention de forme et à la vitesse de fusion. Des photos de glaces pendant la fonte sont prises toutes les 15 min pour un total de 90 min. Ensuite, des images numériques sont élaborées à l’aide d’une méthode de traitement d’image spécialement développée pour calculer la surface, la hauteur et la largeur de la crème glacée. Le rapport entre la hauteur et la largeur à chaque moment de fusion, par rapport au rapport au temps 0 (Rt/R0), est un indice de la conservation de la forme de la crème glacée, tandis que la surface aux différents moments de fusion se rapporte à la surface au temps 0 (At/A0) est liée à la vitesse de fusion. Ce système de vision par ordinateur permet d’obtenir des résultats très sensibles et fiables, et il peut être appliqué non seulement à la crème glacée mais aussi à différentes matrices alimentaires, telles que la crème de lait fouetté ou le blanc d’œuf.

Introduction

La crème glacée est un système multiphasé dans lequel les phases liquide, solide et gazeuse sont strictement liées. La phase liquide continue enveloppe des bulles d’air et des cristaux de glace, et elle contient des graisses partiellement cristallisées, des protéines colloïdales, des sels, des sucres (éventuellement cristallisés) et des stabilisants. La composition de la crème glacée varie en fonction des demandes du marché local et d’éventuelles réglementations. Bien que la technologie de traitement affecte les caractéristiques de la crème glacée finale, chaque constituant joue un rôle important dans la définition de la qualité du produit1. Le comportement à la fonte est l’un des indices de qualité les plus importants de la crème glacée, compte tenu des phénomènes qui se produisent à la fois lors de la consommation et en bouche. Avec la pénétration de la chaleur dans la crème glacée, les cristaux de glace fondent et l’eau se diffuse et se mélange à la phase sérum, qui peut s’écouler à travers la structurerestante 2. Un produit à fusion rapide n’est pas souhaitable pour manger confortablement, mais aussi pour garantir une plus grande résistance aux chocs thermiques. Cependant, les produits à fusion lente indiquent également certains défauts dans la formulation1. On sait que la microstructure de la crème glacée est responsable des propriétés de fusion3, mais des résultats contrastés ont été publiés jusqu’à présent, montrant que les connaissances sur l’influence des facteurs microstructuraux sur la fusion sont encore limitées4. Ainsi, d’autres études sont nécessaires pour élucider le mécanisme de fusion, qui est également crucial dans la conception de nouvelles formulations3.

Le comportement à la fusion est généralement évalué par des méthodes gravimétriques et exprimé en termes de temps de début et de vitesse de fusion5. Une portion donnée de crème glacée est placée sur un treillis métallique dans une armoire à température contrôlée, et le poids du produit fondu est enregistré. À partir de la courbe poids-temps, trois phases peuvent être mises en évidence : la phase de latence au cours de laquelle la chaleur pénètre se produit, la phase de fusion rapide avec la phase sérique diluée s’écoulant à travers la structure de la crème glacée à la vitesse maximale, et la phase stationnaire, où la majeure partie du produit s’est écoulée2.

Avec la méthode gravimétrique, les produits à fusion lente et rapide peuvent être reconnus ; Cependant, l’aspect de la crème glacée lors de la fusion est également important, car la conservation de la forme est liée à une bonne composition et structure du produit6. Ainsi, une procédure basée sur un système de vision par ordinateur (CVS) peut soutenir la méthodologie gravitationnelle déjà existante en permettant l’étude de l’aspect du produit lors de la fusion. Les CVS peuvent acquérir de nombreux attributs alimentaires3 (par exemple, la taille, le poids, la forme, la texture et la couleur) avec des détails précis qui ne peuvent pas être observés par l’œil humain. Ces systèmes sont généralement constitués d’appareils photo numériques et de logiciels de traitement d’images7. En effet, un protocole basé sur les CVS comprend deux étapes principales : 1) l’acquisition d’images et 2) le traitement d’images. Différents niveaux de traitement d’images peuvent être appliqués7, des plus simples aux plus complexes, comme les méthodes d’apprentissage profond pour le développement de l’intelligence artificielle 8,9. Une grande attention a récemment été accordée aux CVS dans le secteur alimentaire, et un grand nombre d’applications ont été développées pour l’inspection de la sécurité alimentaire, la surveillance de la transformation des aliments, la détection de corps étrangers et d’autres domaines. Ils sont rapides, efficaces et non destructifs, représentant ainsi des outils valables pour fournir aux consommateurs des aliments sûrs et de haute qualité10.

Dans le domaine de la crème glacée, une méthode d’analyse d’images a été proposée pour étudier la recristallisation de la glace par microscopie optique11. Plus récemment, des images de tomographie par ordinateur à rayons X ont été traitées pour analyser la microstructure 3D de matériaux poreux mous, y compris la crème glacée3. Cependant, l’élaboration d’images numériques simples de dispositifs à couplage de charge (CCD) peut présenter plusieurs avantages en termes de facilité d’acquisition et de rendu de l’aspect glace tel que perçu par les consommateurs. Certains auteurs montrent des images de crème glacée pendant la fonte12, mais, à notre connaissance, l’extraction d’indices numériques à partir des images a été rapportée pour la première fois par Moriano et Alamprese13.

Par conséquent, le protocole proposé ici, basé sur les travaux de Moriano et Alamprese13, illustre un CVS simple qui peut être appliqué pour soutenir la méthodologie gravitationnelle déjà existante pour l’étude du comportement de la fonte de la crème glacée. Un schéma fonctionnel de la méthode proposée est illustré à la figure 1. L’utilisation d’un tel système permet de calculer deux indices de fusion liés à la conservation de la forme et à la vitesse de fusion. En particulier, l’article décrit pour la première fois la configuration expérimentale détaillée et la procédure d’acquisition d’images numériques pendant la fonte de la crème glacée et les étapes de traitement des images. En outre, les résultats obtenus à partir de crèmes glacées produites avec différents édulcorants (c’est-à-dire le saccharose, le sucromalt et l’érythritol) montreraient le potentiel de la méthode.

Figure 1
Figure 1 : Schéma fonctionnel des méthodologies proposées. Résumé des étapes générales du système de vision par ordinateur proposé et de la méthode gravimétrique pour étudier le comportement de la fonte de la crème glacée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Protocol

1. Dispositif expérimental et procédures pour les essais de fusion Préparation d’échantillons de crème glacéeChoisissez des tasses transparentes de volume et de forme fixes, avec des couvercles. Coupez deux longues bandes de papier sulfurisé d’environ 2 cm de large et, à l’aide de ruban adhésif, fixez-les aux parois intérieures de la tasse pour former une croix au fond. Commencez à remplir la tasse avec l’échantillon de crème glacé…

Representative Results

À titre d’exemple des résultats CVS proposés, les résultats des analyses de fusion pour trois formulations différentes de crème glacée sont présentés, comparés aux données obtenues par la méthode gravimétrique. En particulier, le comportement de fusion des crèmes glacées à base d’édulcorants différents (c’est-à-dire le saccharose, le sucromalt et l’érythritol) a été étudié. Le tableau 1 et la <strong class="xfig…

Discussion

Le CVS proposé permet de calculer les indices de forme et de conservation de surface des échantillons de crème glacée pendant la fusion, en plus de visualiser le processus de fusion. Il peut être couplé à la méthode gravimétrique traditionnelle appliquée pour évaluer le comportement de fusion de la glace5, afin d’obtenir des résultats liés à l’aspect de la glace. Ceci est très important car les consommateurs évaluent sa qualité également en f…

Disclosures

The authors have nothing to disclose.

Materials

Cabinet Cavallo s.r.l. FTX700 Location for the melting test
Digital camera Sony Group Corp DSC-S650
Digital scale Gibertini Elettronica EU-C 4002 LCD
ImagePro Plus 7.0 Media Cybernetics, Inc N/A Image analysis elaboration software
Microsoft Excel Microsoft N/A Data and graphical elaboration
Scalecom Gibertini Elettronica N/A Digital scale software acquisition
Tripod Manfratto #055

References

  1. Marshall, R. T., Arbuckle, W. S. . Ice Cream. , (1996).
  2. Goff, H. D., Hartel, R. W. . Ice Cream. , (2013).
  3. Metilli, L., et al. Investigating the microstructure of soft, microporous matter with synchrotron X-ray tomography. Materials Characterization. 180, 111408 (2021).
  4. Liu, X., Sala, G., Scholten, E. Structural and functional differences between ice crystal-dominated and fat network-dominated ice cream. Food Hydrocolloids. 138, 108466 (2023).
  5. Alamprese, C., Foschino, R., Rossi, M., Pompei, C., Savani, L. Survival of Lactobacillus johnsonii La1 and influence of its addition in retail-manufactured ice cream produced with different sugar and fat concentrations. International Dairy Journal. 12 (2-3), 201-208 (2002).
  6. Alamprese, C., Foschino, R. Technology and Stability of Probiotic and Prebiotic Ice Cream. Probiotic and Prebiotic Foods: Technology, Stability and Benefits to Human Health. , (2011).
  7. Golnabi, H., Asadpour, A. Design and application of industrial machine vision systems. Robotics and Computer-Integrated Manufacturing. 23 (6), 630-637 (2007).
  8. Patel, C., et al. DBGC: Dimension-based generic convolution block for object recognition. Sensors. 22 (5), 1780 (2022).
  9. Bhatt, D., et al. CNN variants for computer vision: History, architecture, application, challenges and future scope. Electronics. 10 (20), 2470 (2021).
  10. Zhu, L., Spachos, P., Pensini, E., Plataniotis, K. N. Deep learning and machine vision for food processing: A survey. Current Research in Food Science. 4, 233-249 (2021).
  11. Donhowe, D. P., Hartel, R. W. Recrystallization of ice in ice cream during controlled accelerated storage. International Dairy Journal. 6 (11-12), 1191-1208 (1996).
  12. Velásquez-Cock, J., et al. Influence of cellulose nanofibrils on the structural elements of ice cream. Food Hydrocolloids. 87, 204-213 (2019).
  13. Moriano, M. E., Alamprese, C. Honey, trehalose and erythritol as sucrose-alternative sweeteners for artisanal ice cream. A pilot study. LWT-Food Science & Technology. 75, 329-334 (2017).
  14. Loffredi, E., Moriano, M. E., Masseroni, L., Alamprese, C. Effects of different emulsifier substitutes on artisanal ice cream quality. LWT-Food Science & Technology. 137, 110499 (2021).
  15. Loffredi, E., Alamprese, C. Optimisation of a blend of emulsifier substitutes for clean-label artisanal ice cream. LWT-Food Science & Technology. 173, 114338 (2023).
  16. Moriano, M. E., Alamprese, C. Organogels as novel ingredients for low saturated fat ice creams. LWT-Food Science & Technology. 86, 371-376 (2017).

Play Video

Cite This Article
Loffredi, E., Alamprese, C. A Computer Vision System for the Assessment of Ice Cream Melting Behavior. J. Vis. Exp. (212), e66114, doi:10.3791/66114 (2024).

View Video