Détecter la contamination du riz par le cadmium grâce au proche infrarouge et à l’intelligence artificielle

La contamination du riz par le cadmium constitue un enjeu important de sécurité alimentaire. Ce métal lourd peut être absorbé par les plants de riz à partir de sols ou d’eaux contaminés, puis s’accumuler dans les grains. Une consommation répétée de produits contenant des niveaux élevés de cadmium peut présenter des risques pour la santé, notamment pour les reins et le système osseux.

Les méthodes classiques de détection sont généralement fiables, mais elles nécessitent des analyses en laboratoire, des réactifs spécifiques et un temps de traitement parfois important. Dans ce contexte, une équipe de chercheurs a étudié une approche plus rapide et non destructive fondée sur la spectroscopie proche infrarouge, associée à des algorithmes d’apprentissage automatique.

Une méthode d’analyse rapide et non destructive

La spectroscopie proche infrarouge, ou NIRS (Near-Infrared Reflectance Spectroscopy), mesure la manière dont un échantillon réfléchit la lumière dans le domaine du proche infrarouge. Le signal obtenu contient des informations indirectes sur sa composition chimique et ses propriétés physiques.

Appliquée au riz, cette technologie permet d’analyser les grains sans les broyer ni les détruire. Elle pourrait donc être utilisée pour effectuer un contrôle rapide de lots de céréales, directement dans les centres de collecte, les unités de transformation ou les laboratoires de contrôle qualité.

Toutefois, le cadmium n’est pas toujours détectable directement par son empreinte spectrale. La concentration du métal doit généralement être estimée à partir des relations entre les données spectrales et les résultats d’analyses de référence. C’est précisément le rôle des modèles d’apprentissage automatique.

Le rôle de l’apprentissage automatique

Pour développer leur approche, les chercheurs ont associé les spectres obtenus par proche infrarouge à des concentrations de cadmium mesurées au moyen de méthodes analytiques conventionnelles. Ces données ont ensuite servi à entraîner différents modèles capables d’identifier les échantillons contaminés ou d’estimer leur niveau de contamination.

Avant la modélisation, les spectres peuvent être soumis à plusieurs opérations de prétraitement. La correction de la ligne de base, la normalisation ou encore la réduction du bruit permettent de limiter les variations liées à la taille des grains, à leur humidité ou aux conditions de mesure.

Les algorithmes d’apprentissage automatique recherchent ensuite les régularités présentes dans les données. Ils peuvent notamment être utilisés pour :

• distinguer les échantillons présentant une contamination faible ou élevée ;
• prédire la concentration de cadmium à partir du signal spectral ;
• sélectionner les longueurs d’onde les plus informatives ;
• améliorer la fiabilité des contrôles réalisés sur de nouveaux échantillons.

La performance de chaque modèle est évaluée à l’aide de données de validation distinctes de celles utilisées pour l’entraînement. Cette étape est essentielle pour vérifier que l’algorithme ne se contente pas de mémoriser les échantillons étudiés, mais qu’il peut réellement être appliqué à d’autres lots de riz.

Un potentiel pour le contrôle de la sécurité alimentaire

L’intérêt principal de cette méthode réside dans sa rapidité. Contrairement aux analyses chimiques traditionnelles, la spectroscopie proche infrarouge ne nécessite pas systématiquement de préparation complexe des échantillons. Elle peut également produire des mesures répétées à moindre coût et sans générer de déchets chimiques importants.

Associée à l’intelligence artificielle, elle pourrait constituer un outil de présélection efficace. Les lots identifiés comme suspects pourraient ensuite être soumis à une analyse de confirmation en laboratoire. Cette organisation permettrait de concentrer les méthodes les plus longues et les plus coûteuses sur les échantillons présentant le plus grand risque.

Une telle approche pourrait être particulièrement utile dans les régions où la culture du riz est exposée à la pollution des sols, à l’irrigation avec des eaux contaminées ou à la présence naturelle de cadmium dans l’environnement.

Des limites à prendre en compte

Malgré ses avantages, la technologie ne remplace pas encore les méthodes de référence. La précision des modèles dépend fortement de la qualité et de la diversité des échantillons utilisés pour leur apprentissage. Les différences entre les variétés de riz, les conditions de culture, l’humidité, l’origine géographique et les pratiques de stockage peuvent modifier les spectres mesurés.

Les modèles doivent donc être testés sur un nombre suffisamment large d’échantillons provenant de situations variées. Ils doivent également être régulièrement actualisés afin de rester fiables lorsque les conditions de production évoluent.

Par ailleurs, la spectroscopie proche infrarouge fournit principalement une estimation indirecte de la contamination. Une analyse chimique de confirmation reste nécessaire pour établir officiellement la conformité d’un lot et mesurer avec précision la concentration de cadmium.

Vers un dépistage plus accessible

L’étude met en évidence le potentiel de la combinaison entre spectroscopie proche infrarouge et apprentissage automatique pour accélérer la détection du cadmium dans le riz. Cette solution pourrait contribuer à rendre les contrôles plus fréquents, plus rapides et moins coûteux.

À terme, l’intégration de capteurs compacts, de modèles d’intelligence artificielle optimisés et d’outils de traitement automatisé pourrait faciliter le déploiement de systèmes de dépistage sur le terrain. Ces dispositifs ne remplaceraient pas les analyses réglementaires, mais ils offriraient un premier niveau de surveillance particulièrement utile pour la gestion des risques alimentaires.

La généralisation de cette technologie dépendra toutefois de la constitution de bases de données représentatives, de la validation des modèles dans des conditions réelles et de leur harmonisation avec les exigences des autorités sanitaires.