Un sistema di visione artificiale per la valutazione del comportamento di fusione del gelato

Il gelato è un sistema multifase in cui le fasi liquida, solida e gassosa sono strettamente collegate. La fase liquida continua avvolge bolle d’aria e cristalli di ghiaccio e contiene grassi parzialmente cristallizzati, proteine colloidali, sali, zuccheri (eventualmente cristallizzati) e stabilizzanti. La composizione del gelato varia a seconda delle richieste del mercato locale e delle eventuali normative. Sebbene la tecnologia di lavorazione influisca sulle caratteristiche del gelato finale, ogni componente svolge un ruolo importante nella definizione della qualità del prodotto¹. Il comportamento di fusione è uno degli indici di qualità più importanti del gelato, considerando i fenomeni che si verificano sia durante il consumo che in bocca. Con la penetrazione del calore nel gelato, i cristalli di ghiaccio si sciolgono e l’acqua si diffonde e si mescola con la fase di siero, che può defluire attraverso la struttura rimanente². Un prodotto a fusione rapida è indesiderabile per un’alimentazione confortevole, ma anche per garantire una maggiore resistenza agli shock termici. Tuttavia, i prodotti a fusione lenta indicano anche alcuni difetti nella formulazione¹. È noto che la microstruttura del gelato è responsabile delle proprietà di fusione³, ma finora sono stati pubblicati risultati contrastanti, che dimostrano che la conoscenza dell’influenza dei fattori microstrutturali sulla fusione è ancora limitata⁴. Pertanto, sono necessari ulteriori studi per chiarire il meccanismo di fusione, che è cruciale anche nella progettazione di nuove formulazioni³.

Il comportamento di fusione è solitamente valutato con metodi gravimetrici ed espresso in termini di tempo di inizio e velocità di fusione⁵. Una determinata porzione di gelato viene posta su una rete metallica in una cella a temperatura controllata e viene registrato il peso del prodotto fuso. Dalla curva peso-tempo si possono evidenziare tre fasi: la fase di ritardo durante la quale avviene la penetrazione del calore, la fase di fusione rapida con la fase di siero diluito che scorre attraverso la struttura del gelato alla massima velocità e la fase stazionaria, in cui la maggior parte del prodotto è gocciolata².

Con il metodo gravimetrico è possibile riconoscere i prodotti a fusione lenta e veloce; Tuttavia, anche l’aspetto del gelato durante la fusione è importante, perché il mantenimento della forma è legato a una buona composizione e struttura del prodotto⁶. Pertanto, una procedura basata su un sistema di visione artificiale (CVS) può supportare la metodologia gravitazionale già esistente consentendo lo studio dell’aspetto del prodotto durante la fusione. I CVS possono acquisire numerosi attributi alimentari³ (ad esempio, dimensioni, peso, forma, consistenza e colore) con dettagli accurati che non possono essere osservati dall’occhio umano. Tali sistemi sono solitamente costituiti da fotocamere digitali e software di elaborazione delle immagini⁷. Infatti, un protocollo basato su CVS include due passaggi principali: 1) acquisizione delle immagini e 2) elaborazione delle immagini. Possono essere applicati vari livelli di elaborazione delle immagini⁷, dai più semplici ai più complessi, come i metodi di deep learning per lo sviluppo dell’Intelligenza Artificiale ^8,9. Grande attenzione è stata recentemente dedicata ai CVS nel settore alimentare e un elevato numero di applicazioni è stato sviluppato per l’ispezione della sicurezza alimentare, il monitoraggio della lavorazione degli alimenti, il rilevamento di corpi estranei e altri campi. Sono veloci, efficienti e non distruttivi, rappresentando quindi validi strumenti per fornire ai consumatori alimenti sicuri e di alta qualità¹⁰.

Nel campo del gelato, è stato suggerito un metodo di analisi delle immagini per studiare la ricristallizzazione del ghiaccio mediante microscopia ottica¹¹. Più recentemente, le immagini di tomografia computerizzata a raggi X sono state elaborate per analizzare la microstruttura 3D di sostanze a porosità molle, incluso il gelato³. Tuttavia, l’elaborazione di semplici immagini digitali di dispositivi ad accoppiamento di carica (CCD) può presentare diversi vantaggi in termini di facilità di acquisizione e resa dell’aspetto del gelato così come percepito dai consumatori. Alcuni Autori mostrano immagini di gelato durante la fusione¹², ma, per quanto ne sappiamo, l’estrazione di indici numerici dalle immagini è stata riportata per la prima volta da Moriano e Alamprese¹³.

Pertanto, il protocollo qui proposto, basato sul lavoro di Moriano e Alamprese¹³, illustra un semplice CVS che può essere applicato a supporto della metodologia gravitazionale già esistente per lo studio del comportamento di fusione del gelato. Un diagramma a blocchi del metodo proposto è illustrato nella Figura 1. L’uso di un tale sistema consente il calcolo di due indici di fusione relativi al mantenimento della forma e alla velocità di fusione. In particolare, l’articolo descrive per la prima volta la configurazione sperimentale dettagliata e la procedura per l’acquisizione di immagini digitali durante la fusione del gelato e le fasi di elaborazione delle immagini. Inoltre, i risultati ottenuti dai gelati prodotti con diversi dolcificanti (ad esempio, saccarosio, sucromalt ed eritritolo) mostrano il potenziale del metodo.

Figura 1: Schema a blocchi delle metodologie proposte. Riassunto delle tappe generali per il sistema di visione artificiale proposto e del metodo gravimetrico per lo studio del comportamento di fusione del gelato. Clicca qui per visualizzare una versione più grande di questa figura.