Archive d’étiquettes pour : contrôle qualité

Analyse des composés organiques volatils dans l’industrie alimentaire

28 octobre 2026/dans Blog/par jcdadmin

Analyse des composés organiques volatils dans l’industrie alimentaire

Les composés organiques volatils, ou COV, jouent un rôle essentiel dans l’industrie alimentaire. Présents naturellement dans de nombreux aliments, ils contribuent à leur arôme, à leur flaveur et à leur identité sensorielle. Leur analyse permet également de surveiller la qualité des matières premières, de détecter certaines altérations et d’identifier d’éventuelles contaminations.

Que sont les composés organiques volatils ?

Les COV regroupent une grande variété de molécules capables de passer facilement de l’état liquide ou solide à l’état gazeux. Dans les aliments, il peut notamment s’agir d’alcools, d’aldéhydes, de cétones, d’esters, d’acides organiques, de terpènes ou encore de composés soufrés.

Ces substances peuvent être présentes naturellement ou se former au cours de différentes étapes :

la maturation des fruits et légumes ;
la fermentation ;
la cuisson et les réactions de Maillard ;
l’oxydation des lipides ;
le stockage et le vieillissement ;
les interactions avec les matériaux d’emballage.

La composition des COV varie selon l’origine de l’aliment, les conditions de production, le procédé de transformation et l’environnement de conservation.

Pourquoi analyser les COV dans les aliments ?

L’étude des composés volatils répond à plusieurs enjeux majeurs pour les professionnels du secteur alimentaire.

Contrôler la qualité et la fraîcheur

Les variations du profil volatil peuvent révéler une perte de fraîcheur ou le début d’une dégradation. Certains composés sont associés à l’oxydation, à la croissance microbienne ou à des réactions indésirables pendant le stockage.

L’analyse des COV peut ainsi compléter les méthodes microbiologiques, chimiques et sensorielles utilisées pour évaluer la qualité d’un produit.

Caractériser les arômes

Les composés volatils sont directement liés à la perception olfactive. Leur identification aide à mieux comprendre les caractéristiques aromatiques d’un café, d’un vin, d’un fromage, d’une épice, d’un produit carné ou d’un aliment transformé.

Cette connaissance peut être utilisée pour améliorer une recette, standardiser un produit ou reproduire un profil sensoriel recherché.

Détecter les fraudes et les substitutions

Le profil de COV d’un aliment peut constituer une véritable empreinte chimique. La comparaison de ces profils permet de contribuer à l’authentification d’une origine géographique, d’une variété végétale ou d’un mode de production.

Cette approche peut également aider à repérer des mélanges, des substitutions de matières premières ou l’ajout d’arômes non déclarés.

Surveiller les contaminants

Certains composés volatils peuvent provenir de la fumée, de produits de nettoyage, de matériaux d’emballage ou de réactions indésirables liées au procédé de fabrication. Leur détection contribue à renforcer la sécurité et la conformité des produits alimentaires.

Les principales techniques d’analyse

L’analyse des COV repose généralement sur une étape d’extraction ou de concentration des molécules, suivie d’une séparation et d’une identification.

L’espace de tête

La technique de l’espace de tête consiste à analyser la phase gazeuse située au-dessus de l’échantillon. Elle limite la préparation de l’échantillon et convient particulièrement aux aliments liquides ou semi-solides.

Cette méthode peut être utilisée en mode statique ou dynamique, selon que les composés sont prélevés directement dans l’espace de tête ou concentrés sur un matériau adsorbant.

La microextraction sur phase solide

La microextraction sur phase solide, souvent appelée SPME, utilise une fibre recouverte d’un matériau capable de retenir les composés volatils. Après exposition à l’échantillon, la fibre est introduite dans un chromatographe afin de libérer les molécules extraites.

Cette approche présente plusieurs avantages :

une faible consommation de solvant ;
une préparation relativement simple ;
une bonne sensibilité ;
une compatibilité avec l’analyse de nombreux aliments.

La chromatographie en phase gazeuse

La chromatographie en phase gazeuse, ou CPG, sépare les composés volatils en fonction de leurs propriétés physicochimiques. Elle est largement utilisée pour établir le profil aromatique d’un aliment et mesurer la concentration de molécules ciblées.

La CPG peut être associée à différents détecteurs. Le couplage avec la spectrométrie de masse est particulièrement utile pour identifier les composés présents dans des matrices complexes.

La spectrométrie de masse

La spectrométrie de masse fournit des informations sur la masse et la structure des molécules. Couplée à la chromatographie en phase gazeuse, elle permet d’obtenir une identification plus précise des COV et de comparer les profils de différents échantillons.

Cette technologie est couramment utilisée dans la recherche, le contrôle qualité et l’étude des mécanismes de dégradation des aliments.

Les méthodes rapides et non destructives

Des approches plus récentes, comme les nez électroniques, les capteurs chimiques ou certaines techniques spectroscopiques, peuvent être employées pour réaliser un contrôle rapide. Elles ne remplacent pas toujours les méthodes de référence, mais elles peuvent faciliter le tri des lots et la surveillance en temps réel des procédés.

Applications dans différents secteurs alimentaires

L’analyse des COV trouve des applications dans de nombreuses filières.

Fruits et légumes : suivi de la maturation, détection des altérations et évaluation de la fraîcheur.
Produits fermentés : caractérisation des arômes et contrôle de l’activité microbienne.
Viandes et poissons : surveillance de l’oxydation et de la dégradation pendant la conservation.
Produits laitiers : étude des composés formés lors de l’affinage et de la fermentation.
Café, cacao et thé : identification des marqueurs associés à l’origine, à la torréfaction et au stockage.
Boissons : caractérisation des profils aromatiques et contrôle de la stabilité.
Produits cuits et transformés : suivi des réactions thermiques et recherche de composés indésirables.

Les difficultés de l’analyse des COV

L’étude des composés volatils reste complexe, car les aliments contiennent souvent plusieurs centaines de molécules à des concentrations très variables. Les COV les plus abondants ne sont pas nécessairement ceux qui ont le plus d’impact sur l’odeur ou la perception gustative.

Les résultats peuvent aussi être influencés par plusieurs paramètres :

la température de l’échantillon ;
le temps d’incubation ;
le type de matrice alimentaire ;
les conditions d’extraction ;
le choix de la colonne chromatographique ;
la préparation et la conservation de l’échantillon.

Pour comparer correctement les résultats, il est donc indispensable d’harmoniser les protocoles et de valider les méthodes utilisées.

Vers une meilleure maîtrise de la qualité alimentaire

L’analyse des COV constitue un outil complémentaire pour mieux comprendre les aliments et leurs transformations. Associée aux analyses sensorielles, microbiologiques et physicochimiques, elle permet de développer des stratégies de contrôle plus précises.

Les progrès de l’automatisation, de la miniaturisation et de l’analyse de données devraient favoriser l’utilisation de ces techniques directement dans les unités de production. À terme, la surveillance des profils volatils pourrait contribuer à une détection plus rapide des anomalies, à une meilleure gestion des stocks et à une amélioration de la régularité des produits.

Conclusion

Les composés organiques volatils sont à la fois des marqueurs de l’identité aromatique, de la qualité et de l’état de conservation des aliments. Leur analyse, notamment par chromatographie en phase gazeuse et spectrométrie de masse, offre aux industriels des informations précieuses sur les matières premières et les procédés de fabrication.

En combinant méthodes analytiques avancées et outils de contrôle rapides, l’industrie alimentaire peut mieux répondre aux exigences de sécurité, de traçabilité et de qualité sensorielle.

Prédire l’humidité des céréales par spectroscopie proche infrarouge : méthodes et cadre de sélection

25 octobre 2026/dans Blog/par jcdadmin

Prédire l’humidité des céréales grâce à la spectroscopie proche infrarouge

La mesure de l’humidité est une étape essentielle pour contrôler la qualité, la conservation et la valeur commerciale des céréales. Une teneur en eau trop élevée peut favoriser le développement de moisissures, accélérer la détérioration des grains et augmenter les coûts de séchage. À l’inverse, un séchage excessif peut entraîner une perte de masse et une dégradation de la qualité du produit.

Les méthodes conventionnelles de référence sont généralement fiables, mais elles peuvent être longues, destructives et difficiles à déployer directement sur les lignes de production. La spectroscopie proche infrarouge, ou NIR, constitue une solution intéressante pour réaliser des analyses rapides, sans destruction de l’échantillon et avec une consommation limitée de réactifs.

L’article consacré aux « method adaptation patterns » et au cadre de sélection des méthodes étudie la manière d’adapter les modèles de prédiction de l’humidité aux principales céréales. L’objectif est d’aider les utilisateurs à choisir une stratégie de modélisation adaptée à leurs échantillons, à leurs instruments et à leurs conditions d’analyse.

Pourquoi mesurer rapidement l’humidité des grains ?

La teneur en eau influence directement plusieurs propriétés des céréales :

la stabilité pendant le stockage ;
le risque de développement microbien ;
la consommation énergétique liée au séchage ;
le rendement de transformation ;
la qualité technologique et commerciale ;
la durée de conservation.

Dans les filières du blé, du maïs, du riz et d’autres grains, une analyse rapide peut faciliter le tri à la réception, le suivi du séchage et la surveillance des stocks. Elle permet également de multiplier les contrôles sans prélever ni détruire les produits analysés.

Le principe de la spectroscopie proche infrarouge

La spectroscopie NIR repose sur l’interaction entre la lumière proche infrarouge et la matière. Lorsqu’un échantillon est éclairé, une partie du rayonnement est absorbée par les liaisons chimiques présentes dans les constituants du grain. Les molécules contenant notamment de l’hydrogène, comme l’eau, contribuent à la signature spectrale enregistrée.

Le spectre obtenu ne donne toutefois pas directement une teneur en humidité. Il doit être interprété à l’aide d’un modèle chimiométrique construit à partir d’échantillons dont l’humidité a été mesurée par une méthode de référence. La qualité de la prédiction dépend donc à la fois du signal spectral, de la représentativité des échantillons et du choix de la méthode statistique.

Le défi de l’adaptation des modèles

Un modèle développé pour une céréale, un appareil ou un contexte donné ne peut pas toujours être appliqué directement à un autre produit. Les différences de variété, de granulométrie, de composition, de température, de présentation de l’échantillon ou de configuration instrumentale peuvent modifier le spectre mesuré.

L’adaptation vise à transférer ou à ajuster un modèle existant afin de réduire le nombre d’analyses de référence nécessaires. Cette approche peut être particulièrement utile lorsque de nouveaux lots arrivent, lorsqu’un autre instrument est utilisé ou lorsqu’une entreprise souhaite étendre son système à plusieurs cultures.

L’article met en avant plusieurs profils d’adaptation possibles, en fonction de la proximité entre le modèle initial et la nouvelle situation analytique. Le choix de la stratégie doit notamment tenir compte de la nature du changement observé :

changement de céréale ou de variété ;
modification de la plage d’humidité ;
évolution des conditions de mesure ;
remplacement ou déplacement de l’instrument ;
différence de préparation ou de présentation des grains ;
variation de la population d’échantillons.

Principaux schémas d’adaptation

1. Réutilisation directe du modèle

Lorsque les conditions expérimentales et la population d’échantillons restent suffisamment proches, le modèle existant peut être appliqué directement. Cette solution est simple et rapide, mais elle doit être validée sur un jeu d’échantillons indépendant.

Elle convient surtout aux situations dans lesquelles les différences entre les données historiques et les nouvelles mesures sont limitées. Une utilisation sans vérification peut néanmoins générer des erreurs systématiques ou une baisse de précision.

2. Mise à jour du modèle

La mise à jour consiste à intégrer de nouveaux échantillons de référence au modèle initial. Cette stratégie permet de prendre en compte de nouvelles variétés, de nouvelles campagnes ou une évolution des conditions d’analyse, tout en conservant une partie de l’information déjà acquise.

Elle représente souvent un compromis entre précision et coût expérimental. Le nombre et la diversité des échantillons ajoutés doivent être suffisamment importants pour couvrir les nouvelles sources de variation.

3. Transfert entre instruments

Deux instruments NIR peuvent produire des réponses spectrales différentes, même lorsqu’ils analysent le même échantillon. Ces écarts peuvent provenir de la résolution spectrale, de la géométrie optique, de la source lumineuse ou des caractéristiques du détecteur.

Le transfert de modèle cherche à corriger ces différences afin de rendre les prédictions comparables. Il peut s’appuyer sur des échantillons communs mesurés avec les deux instruments, sur des méthodes de standardisation spectrale ou sur une recalibration partielle.

4. Adaptation à une nouvelle population d’échantillons

Un modèle peut également être adapté lorsque les grains proviennent d’une autre région, d’une autre récolte ou d’un système de production différent. Dans ce cas, les variations de composition et de structure peuvent modifier la relation entre les spectres et l’humidité.

L’ajout ciblé d’échantillons représentatifs de la nouvelle population permet généralement d’améliorer la robustesse du modèle. Il est important de sélectionner des échantillons couvrant les principales sources de variabilité plutôt que de se limiter à quelques mesures faciles à obtenir.

Un cadre de sélection pour choisir la bonne stratégie

Le cadre proposé dans l’article vise à structurer la décision avant de modifier un modèle NIR. Plutôt que d’adopter systématiquement une méthode complexe, il s’agit d’évaluer la nature du changement et le niveau de risque associé.

Une démarche pratique peut suivre les étapes suivantes :

Définir l’objectif analytique : déterminer la céréale, la plage d’humidité et le niveau de précision attendu.
Comparer les anciennes et les nouvelles données : identifier les écarts entre les populations d’échantillons et les conditions de mesure.
Évaluer la compatibilité instrumentale : vérifier si les appareils présentent une réponse spectrale comparable.
Choisir le niveau d’adaptation nécessaire : réutilisation, correction, mise à jour ou recalibration complète.
Sélectionner les échantillons de référence : privilégier des grains représentatifs de la variabilité réelle du terrain.
Valider les performances : comparer les prédictions aux valeurs de référence sur des échantillons indépendants.
Surveiller le modèle dans le temps : suivre les dérives et planifier des mises à jour régulières.

Cette logique permet d’éviter deux écueils fréquents : utiliser un modèle devenu inadapté ou, au contraire, reconstruire entièrement un modèle alors qu’une adaptation légère aurait suffi.

L’importance de la validation

La validation est indispensable pour vérifier qu’un modèle adapté reste fiable dans les conditions d’utilisation. Les indicateurs statistiques doivent être examinés avec attention, mais ils ne constituent pas le seul critère de décision.

Il convient notamment d’évaluer :

l’erreur moyenne de prédiction ;
la stabilité des résultats selon les variétés et les lots ;
la présence d’un biais systématique ;
la performance aux limites de la plage d’humidité ;
la robustesse face aux variations de température et de présentation ;
la capacité du modèle à fonctionner sur des échantillons réellement rencontrés en production.

Un modèle affichant de bonnes performances sur les échantillons utilisés pour son développement peut perdre en efficacité sur de nouveaux lots. La validation indépendante et le suivi continu sont donc essentiels pour garantir une utilisation fiable.

Applications pour les filières céréalières

L’adaptation des modèles NIR peut être utilisée à différentes étapes de la chaîne de valeur :

contrôle rapide à la réception des grains ;
optimisation du séchage ;
surveillance des silos ;
tri et classement des lots ;
contrôle qualité avant transformation ;
vérification des produits pendant le transport ;
déploiement de solutions portables ou embarquées.

Pour les exploitants, les organismes de stockage et les industriels, cette approche peut réduire le temps consacré aux analyses et améliorer la réactivité des décisions. Elle facilite également le déploiement d’une même stratégie analytique sur plusieurs sites ou équipements.

Limites et précautions

La spectroscopie NIR ne dispense pas complètement des méthodes de référence. Ces dernières restent nécessaires pour construire, vérifier et actualiser les modèles. La qualité des résultats dépend aussi de la propreté de l’instrument, de la préparation des échantillons et de la maîtrise des conditions de mesure.

Par ailleurs, l’humidité n’est pas le seul facteur susceptible d’influencer le spectre. La composition chimique, la taille des particules, l’intégrité des grains et la température peuvent également modifier le signal. Un modèle performant doit donc être construit sur une population suffisamment diversifiée.

À retenir

La spectroscopie proche infrarouge offre une méthode rapide et non destructive pour estimer l’humidité des principales céréales. Toutefois, la fiabilité des résultats repose largement sur l’adaptation du modèle aux produits, aux instruments et aux conditions d’analyse.

Le cadre de sélection présenté dans l’article fournit une approche méthodique pour déterminer s’il faut réutiliser un modèle, le mettre à jour, le transférer ou procéder à une recalibration plus complète. En combinant une sélection représentative des échantillons, une validation indépendante et une surveillance régulière, les acteurs de la filière peuvent tirer pleinement parti de la NIR pour améliorer le contrôle qualité et la gestion des céréales.

Technologies de capteurs pour évaluer la qualité et la sécurité des fruits et légumes frais découpés

5 octobre 2026/dans Blog/par jcdadmin

Des capteurs pour mieux contrôler les fruits et légumes frais découpés

Les fruits et légumes frais découpés répondent à une demande croissante de produits pratiques, prêts à consommer et peu transformés. Leur préparation implique toutefois plusieurs opérations — lavage, épluchage, découpe et conditionnement — qui peuvent accélérer la dégradation des tissus et augmenter le risque de contamination.

Dans ce contexte, les technologies de capteurs offrent de nouvelles possibilités pour surveiller la qualité et la sécurité des produits sans les détruire. L’article publié dans Food Control s’intéresse aux principales solutions utilisées ou étudiées pour analyser les fruits et légumes frais découpés tout au long de leur cycle de vie.

Pourquoi contrôler les produits frais découpés ?

La découpe endommage les cellules végétales et expose davantage les tissus à l’oxygène, aux micro-organismes et aux variations de température. Elle peut entraîner plusieurs phénomènes :

le brunissement enzymatique ;
la perte de fermeté et de croquant ;
la diminution de la teneur en eau ;
l’apparition d’odeurs indésirables ;
la perte de vitamines et de composés antioxydants ;
le développement de bactéries, levures ou moisissures.

Les méthodes classiques reposent souvent sur des analyses en laboratoire, des prélèvements et des essais destructifs. Elles restent indispensables pour confirmer certains résultats, mais elles sont parfois longues, coûteuses et difficiles à appliquer en temps réel. Les capteurs pourraient compléter ces méthodes grâce à des mesures rapides, non invasives et potentiellement automatisables.

Les principales familles de capteurs

Capteurs optiques et spectroscopiques

Les techniques optiques analysent la manière dont un produit absorbe, réfléchit ou diffuse la lumière. La spectroscopie proche infrarouge, la spectroscopie visible-proche infrarouge et la fluorescence peuvent fournir des informations sur la composition et l’état des tissus.

Ces approches peuvent notamment contribuer à estimer :

la teneur en eau ;
la fermeté ;
certains paramètres liés à la maturité ;
les signes de brunissement ;
les altérations internes ou superficielles.

L’imagerie hyperspectrale associe, quant à elle, les informations spectrales à la localisation précise des défauts. Elle peut ainsi aider à repérer les zones décolorées, les lésions ou les anomalies qui ne sont pas toujours visibles à l’œil nu.

Systèmes de vision artificielle

Les caméras classiques et les systèmes de vision assistés par intelligence artificielle permettent d’évaluer l’apparence des produits. Des algorithmes peuvent détecter des changements de couleur, des défauts de surface, des traces de dessèchement ou une évolution de la texture visuelle.

L’intérêt de ces outils est particulièrement important sur les lignes de conditionnement, où ils peuvent examiner un grand nombre d’unités à cadence élevée. Leur efficacité dépend toutefois de la qualité de l’éclairage, de la diversité des produits et de la capacité des modèles à fonctionner dans des conditions industrielles variables.

Nez électroniques et analyse des composés volatils

La dégradation des fruits et légumes s’accompagne souvent d’une modification des composés volatils libérés dans l’espace de tête de l’emballage. Les nez électroniques utilisent des réseaux de capteurs pour produire une signature globale de ces émissions.

Cette signature peut être associée à différents phénomènes :

la maturation ;
la fermentation ;
la perte de fraîcheur ;
le développement microbien ;
l’apparition d’odeurs anormales.

Ces systèmes ne remplacent pas nécessairement une identification microbiologique, mais ils peuvent constituer un outil d’alerte rapide pour le tri, la surveillance des lots et la gestion de la durée de conservation.

Capteurs électrochimiques et biocapteurs

Les capteurs électrochimiques mesurent une variation de courant, de potentiel ou d’impédance liée à la présence d’une substance ou d’un phénomène biologique. Les biocapteurs peuvent intégrer des éléments de reconnaissance spécifiques, comme des enzymes, des anticorps ou d’autres molécules sensibles.

Ils sont étudiés pour détecter certains marqueurs de contamination, des métabolites ou des indicateurs de dégradation. Leur miniaturisation pourrait faciliter la réalisation de contrôles rapides sur site, avec des dispositifs portables ou connectés.

Capteurs de gaz et indicateurs d’emballage

Dans un emballage de produits frais découpés, la composition de l’atmosphère évolue sous l’effet de la respiration végétale et de l’activité microbienne. Des capteurs peuvent suivre la concentration en oxygène, en dioxyde de carbone ou en composés volatils spécifiques.

Ces données peuvent être exploitées pour surveiller l’état du produit et optimiser les conditions de conservation. Intégrés à un emballage intelligent, ces dispositifs pourraient également signaler une rupture de la chaîne du froid ou une évolution anormale de la qualité.

De la mesure au diagnostic grâce à l’intelligence artificielle

Les capteurs produisent souvent de grandes quantités de données. Leur interprétation repose donc de plus en plus sur des méthodes statistiques, l’apprentissage automatique et, dans certains cas, les réseaux neuronaux.

Ces outils peuvent servir à :

classer les produits selon leur niveau de fraîcheur ;
prédire la durée de conservation restante ;
distinguer différents niveaux d’altération ;
repérer des profils associés à une contamination potentielle ;
combiner les données issues de plusieurs types de capteurs.

La fusion de données — par exemple entre une image, un signal spectral et une mesure de gaz — peut améliorer la robustesse du diagnostic. Elle exige cependant des bases de données suffisamment larges et représentatives des variétés, des conditions de culture, des procédés de découpe et des températures rencontrées en pratique.

Les avantages pour l’industrie agroalimentaire

L’utilisation de capteurs non destructifs peut apporter plusieurs bénéfices aux transformateurs et aux distributeurs :

contrôle plus rapide des matières premières et des produits finis ;
réduction des analyses destructives et des pertes d’échantillons ;
détection précoce des défauts ;
amélioration du tri et du classement des lots ;
suivi plus précis de la chaîne du froid ;
meilleure estimation de la durée de conservation ;
aide à la décision pour limiter le gaspillage alimentaire.

Ces technologies peuvent aussi favoriser une surveillance continue plutôt qu’un contrôle ponctuel effectué uniquement à la réception ou avant l’expédition.

Des limites encore importantes

Malgré leur potentiel, les capteurs ne constituent pas une solution universelle. Plusieurs obstacles doivent encore être pris en compte avant un déploiement généralisé.

La première difficulté concerne la variabilité naturelle des produits. Une même espèce peut présenter des différences importantes selon la variété, le degré de maturité, l’origine ou les conditions de stockage. Les modèles de prédiction doivent donc être régulièrement testés et adaptés.

La deuxième limite concerne la sécurité microbiologique. Un signal optique, une odeur ou une modification de l’atmosphère ne permet pas toujours d’identifier directement un micro-organisme pathogène. Les capteurs doivent être considérés comme des outils de dépistage ou de surveillance, et non comme un remplacement systématique des méthodes microbiologiques validées.

Le coût, la calibration, le nettoyage des équipements, la vitesse de mesure et l’intégration aux lignes de production représentent également des enjeux techniques. Enfin, les résultats doivent être suffisamment simples à interpréter pour être utiles aux opérateurs et compatibles avec les exigences réglementaires.

Vers des systèmes de contrôle connectés

L’évolution actuelle va vers des dispositifs plus compacts, portables et connectés. Associés à l’Internet des objets, les capteurs peuvent transmettre automatiquement les données relatives à la qualité, à la température et aux conditions de transport.

À terme, un système intégré pourrait suivre un produit depuis la préparation jusqu’au point de vente, en combinant les informations issues de l’usine, de l’entrepôt et du transport. Cette approche permettrait d’affiner la gestion des stocks et de réserver une durée de conservation adaptée à chaque lot.

Le développement de solutions fiables passera toutefois par une meilleure standardisation des protocoles, la validation sur des lots industriels et l’établissement de liens clairs entre les signaux mesurés et les critères de qualité ou de sécurité réellement utilisés par les professionnels.

Conclusion

Les technologies de capteurs ouvrent des perspectives importantes pour le contrôle non destructif des fruits et légumes frais découpés. Spectroscopie, vision artificielle, imagerie hyperspectrale, nez électroniques, capteurs électrochimiques et emballages intelligents peuvent fournir des informations complémentaires sur la fraîcheur, la composition, la dégradation et les risques potentiels.

Leur principal intérêt réside dans la possibilité de réaliser des contrôles rapides, fréquents et automatisés. Pour atteindre une utilisation pleinement opérationnelle, ces outils devront néanmoins être associés à des méthodes de référence, à des modèles robustes et à une validation rigoureuse dans des conditions industrielles réelles.

Authentification rapide de l’huile d’olive vierge par fluorescence 3D : une arme contre la fraude

18 septembre 2026/dans Blog/par jcdadmin

Authentification rapide de l’adultération de l’huile d’olive vierge par spectroscopie de fluorescence 3D

Introduction

L’huile d’olive vierge occupe une place centrale dans la gastronomie et la nutrition méditerranéenne, bénéficiant d’une reconnaissance mondiale pour ses qualités sensorielles et ses vertus nutritionnelles. Pourtant, l’adultération de cette huile précieuse demeure une préoccupation majeure, impactant la confiance des consommateurs et la crédibilité de la filière. Face à la complexification des fraudes, il devient impératif de disposer de méthodes analytiques fiables, rapides et sensibles afin de garantir l’authenticité de l’huile d’olive vierge.

Principes de la spectroscopie de fluorescence 3D

La spectroscopie de fluorescence tridimensionnelle (3D) s’affirme comme une méthodologie prometteuse pour l’analyse rapide et non destructive des matrices alimentaires complexes. Cette technique repose sur l’enregistrement de matrices d’excitation-émission, offrant ainsi une signature spectrale unique à chaque échantillon. En mesurant l’intensité émise en fonction de différentes longueurs d’onde d’excitation et d’émission, elle permet une discrimination fine des constituants de l’huile d’olive, et la détection efficace de contaminants ou d’huiles étrangères.

Méthodologie expérimentale

Préparation des échantillons

Des échantillons d’huile d’olive vierge authentique ainsi que des huiles adultérées par ajout d’autres huiles végétales (tournesol, colza, etc.) ont été préparés à diverses concentrations représentant différents niveaux de fraude. L’ensemble a été soumis à une analyse de fluorescence tridimensionnelle afin d’extraire leurs signatures spécifiques.

Acquisition des spectres 3D

Les spectres de fluorescence 3D ont été acquis en balayant des longueurs d’onde d’excitation allant de 250 à 500 nm, couplées à des plages d’émission de 280 à 700 nm. L’utilisation d’un fluorimètre avancé a permis de générer pour chaque échantillon une carte complète de fluorescence, révélant les caractéristiques propres à chaque matrice lipidiques.

Traitement des données et analyse statistique

L’interprétation des matrices de fluorescence a reposé sur des techniques statistiques multivariées, telles que l’analyse des composantes principales (PCA) et la classification discriminante linéaire (LDA). Ces méthodes facilitent la différenciation des huiles vierges authentiques de celles modifiées, en exploitant la richesse des données collectées.

Résultats et implications

Différenciation rapide et précise

Les résultats démontrent que la signature de fluorescence 3D diffère significativement entre l’huile d’olive vierge et ses mélanges adultérés. Les spectres mettent en évidence des variations notables dans l’intensité et la distribution des pics d’émission, directement corrélés à la présence d’huiles étrangères. L’application de la PCA permet d’isoler distinctement les groupes d’échantillons, tandis que la LDA offre une classification robuste et automatique.

Sensibilité et seuils de détection

La méthode fait preuve d’une grande sensibilité : il est possible de détecter l’ajout d’à peine 5 à 10 % d’huile étrangère dans l’huile d’olive vierge. Ce seuil bas constitue un avantage déterminant pour la surveillance et la répression des cas de fraude, même les plus subtils. De plus, la rapidité d’acquisition des spectres (quelques minutes par analyse) confère à la technique un intérêt opérationnel indéniable pour les laboratoires de contrôle qualité.

Avantages de la fluorescence 3D en authentification alimentaire

Analyse non destructive : Contrairement à certaines méthodes chimiques invasives, l’analyse de fluorescence 3D ne requiert aucune modification de l’échantillon, permettant une conservation intacte pour des analyses complémentaires.
Rapidité et automatisation : La génération automatisée des matrices et l’utilisation d’algorithmes statistiques accélèrent considérablement le processus d’authentification.
Spécificité élevée : La multiplicité des paramètres mesurés rend la falsification plus difficile à dissimuler, la technique captant une empreinte spectrale globale.

Limites et perspectives

Bien que la méthode soit extrêmement réactive et précise pour les matrices testées, certains facteurs peuvent influencer la réponse spectrale : la variété d’olives utilisée, la maturation, ou les conditions de stockage. Cela nécessite la création de bases de données de référence enrichies intégrant la diversité naturelle de l’huile d’olive. Enfin, l’intégration de techniques de machine learning peut améliorer davantage la capacité discriminante des analyses.

Conclusion

La spectroscopie de fluorescence 3D s’impose comme une technique rapide, sensible et fiable pour lutter contre la fraude à l’huile d’olive vierge. Sa capacité à détecter de faibles adultérations en fait un outil de choix pour l’assurance qualité et la traçabilité dans l’industrie oléicole. Son application à d’autres matrices lipidiques laisse présager des développements innovants pour le contrôle de l’authenticité alimentaire à grande échelle.

Source : https://www.sciencedirect.com/science/article/abs/pii/S0169743926001954

Ginseng américain : authentication par imagerie multispectrale et intelligence artificielle

14 septembre 2026/dans Blog/par jcdadmin

Authenticité du ginseng américain : apport de l'imagerie multispectrale et du machine learning

Introduction

L'identification fiable du ginseng américain (Panax quinquefolius L.) revêt une importance cruciale dans l'industrie phytothérapeutique et alimentaire. La multiplication des fraudes, substituts et contaminants menace la qualité des produits dérivés du ginseng et leur efficacité pharmacologique. Face à ces enjeux, la combinaison de techniques avancées telles que l’imagerie multispectrale et l’apprentissage automatique (machine learning) offre des perspectives inédites pour une authentication rapide, non destructive et précise.

Méthodologie : Imagerie multispectrale et extraction de signatures

L’imagerie multispectrale consiste à capturer la réflectance de l’échantillon sur une large gamme de longueurs d’onde, généralement du visible à l’infrarouge proche. Cette approche permet de révéler des signatures spectrales caractéristiques, difficilement distinguables à l’œil nu ou par des méthodes conventionnelles.

Dans l’étude, l’équipe de recherche a constitué un ensemble d’échantillons comportant :

Ginseng américain authentique (Panax quinquefolius)
Contrefaçons et espèces voisines (autres Panax, adulterants courants)
Variations de transformation (racines séchées, pulvérisées, extraits)

Chaque échantillon a été analysé par caméra multispectrale couvrant 19 bandes spectrales du visible à l’infrarouge court. Les données brutes ont été prétraitées afin de corriger les variations d’éclairage et de bruit, puis normalisées pour renforcer la robustesse de l’analyse.

Machine Learning et classification automatisée

Les signatures spectrales obtenues ont servi de base à la constitution d’un jeu de données d’entraînement pour différents algorithmes de machine learning. Les méthodes suivantes ont été mobilisées :

Analyse en composantes principales (ACP) pour réduire la dimensionnalité du signal
Support Vector Machines (SVM) pour la classification supervisée
Arbres de décision pour une interprétabilité accrue

Des validations croisées approfondies ont permis d’optimiser les hyperparamètres des modèles et de comparer leurs performances.

Résultats : Précision et spécificité de l’identification

Les modèles développés ont démontré une capacité remarquable à distinguer le ginseng américain authentique des autres espèces et contaminants avec une précision supérieure à 98 %. La spécificité des signatures multispectrales s’est avérée robuste, même pour des matrices complexes ou transformées (poudres, extraits).

Tableau comparatif des performances

Algorithme	Précision (%)	Spécificité (%)	Sensibilité (%)
SVM	98,7	99,1	98,2
Arbre de décision	96,3	97,5	95,8
ACP + SVM	98,6	99,0	98,1

De surcroît, la méthode s’est montrée rapide, non invasive et adaptable à l’analyse en flux, ce qui permet d’envisager son application industrielle à grande échelle.

Discussion : Atouts et perspectives technologiques

L’imagerie multispectrale couplée à l’intelligence artificielle s’impose désormais comme une méthode de référence pour :

Distinguer le ginseng américain authentique des contrefaçons ou des espèces substituées
Détecter les adultérants dans les lots de matières premières
Contrôler la conformité des produits finis (poudres, extraits standardisés)
Automatiser le contrôle qualité industriel en routine

Ce protocole réduit considérablement les délais et les coûts par rapport aux analyses chimiques classiques (chromatographie, spectrométrie de masse) tout en renforçant la fiabilité du diagnostic.

Limites et directions futures

Bien que les résultats soient prometteurs, certains défis subsistent :

Prise en compte de la variabilité intra-espèce (origines géographiques, terroirs)
Extension de la base de données pour couvrir l’intégralité des adultérants potentiels
Déploiement en environnements industriels réels avec automatisation totale

L’intégration future d’algorithmes d’apprentissage profond (deep learning) et de systèmes adaptatifs pourrait renforcer encore la précision et l’applicabilité de cette approche.

Conclusion

L’authentification du ginseng américain présente des enjeux majeurs pour l’industrie nutraceutique. L’alliance de l’imagerie multispectrale et du machine learning s’impose comme une solution puissante, rapide et fiable, aptes à transformer en profondeur les pratiques de contrôle qualité et de certification des produits issus du ginseng.

Source : https://www.sciencedirect.com/science/article/pii/S0889157526005478

Dépistage rapide du risque Pseudomonas dans le lait froid par test ERA : méthode, enjeux et perspectives

6 septembre 2026/dans Blog/par jcdadmin

Différenciation orientée sur le risque de la présence de Pseudomonas dans le lait de la chaîne du froid à l’aide du test ERA

Introduction

Le lait stocké sous chaîne du froid est sujet à la contamination par divers microorganismes, avec les bactéries du genre Pseudomonas constituant l’une des menaces les plus préoccupantes pour la sécurité sanitaire et la qualité du lait réfrigéré. Cette étude se concentre sur l’application d’un test d’amplification enzymatique à réaction (ERA) pour identifier et évaluer précisément le risque porté par Pseudomonas dans différents échantillons de lait froid, selon une démarche strictement orientée vers la gestion du risque.

Contexte scientifique et enjeu du contrôle des Pseudomonas

Les bactéries du groupe Pseudomonas sont particulièrement résistantes aux basses températures, ce qui leur confère la capacité de se multiplier et de produire des enzymes altérant le lait, même lors d’un stockage réfrigéré. La prolifération de ces bactéries au sein de la chaîne du froid constitue donc un problème majeur, pouvant entraîner des pertes économiques sérieuses pour l’industrie laitière et mettre en danger la santé du consommateur.

Pour répondre à ce défi, il est essentiel de mettre en œuvre des méthodes de détection rapides, sensibles et spécifiques, capables de guider une prise de décision raisonnée en gestion de risques. Le test ERA (Enzymatic Recombinase Amplification) s’impose ici comme une solution innovante, efficace et pratique sur le terrain.

Méthodologie basée sur le test ERA

L’approche ERA permet l’amplification rapide de l’ADN microbien spécifique à Pseudomonas, réduisant significativement le temps d’analyse par rapport aux méthodes classiques de culture ou de PCR. Cette avancée technique est particulièrement pertinente pour l’industrie laitière où la rapidité du diagnostic joue un rôle crucial dans la gestion de la sécurité des lots.

Étapes clefs de la démarche expérimentale

Préparation et collecte des échantillons : Plusieurs échantillons de lait issus de la chaîne du froid ont été recueillis dans des conditions strictes pour garantir une représentativité du risque réel.
Extraction de l’ADN : Différents protocoles d’extraction de l’ADN sont testés pour optimiser le rendement et limiter les contaminations croisées.
Conception des amorces spécifiques : Des oligonucléotides sont développés pour cibler spécifiquement les séquences génomiques de Pseudomonas d’intérêt.
Procédure ERA : L’amplification est réalisée à température constante. Les résultats sont obtenus en moins de 30 minutes, contre plusieurs heures en PCR traditionnelle.

Résultats : Efficacité et spécificité du dépistage

Les analyses révèlent que le test ERA présente une sensibilité comparable, voire supérieure, à celle de la PCR en temps réel, tout en étant nettement plus rapide et facilement transposable en contexte industriel. La spécificité du test, grâce à un design d’amorces rigoureux, permet d’éviter la détection de flore indésirable (espèces voisines ne représentant aucun risque pour le lait).

Comparaison avec les méthodes conventionnelles

Durée d’analyse réduite : L’obtention du résultat est possible en moins de 30 minutes, accélérant le processus de prise de décision.
Équipement minimal : Contrairement à la PCR qui nécessite un thermocycleur, le test ERA requiert un matériel réduit et est donc adapté au contrôle sur site.

Valorisation des données pour la gestion du risque

L’exploitation des données générées par l’ERA offre la possibilité de mettre en œuvre une véritable différenciation du risque selon la concentration de Pseudomonas. Cette approche orientée gestion du risque permet notamment :

D’identifier les lots à risque élevé nécessitant un traitement ou une exclusion du circuit.
D’affiner la traçabilité et la gestion opérationnelle de la chaîne du froid.
D’apporter des réponses rapides pour limiter la propagation de la contamination et préserver la qualité organoleptique du lait.

Perspectives et recommandations industrielles

L’intégration du test ERA dans les protocoles de contrôle qualité des laiteries s’avère une démarche judicieuse, apportant une réactivité accrue face au risque microbiologique. Ce procédé, peu coûteux et aisément transférable, encourage le développement de nouveaux standards de surveillance et souligne l’importance d’une surveillance proactive dans l’industrie alimentaire.

Avantages concrets du test ERA en industrie laitière

Gain de temps considérable dans le diagnostic microbiologique.
Adaptabilité pour d’autres agents pathogènes ou altérants.
Facilitation du suivi et de la documentation pour la gestion de la conformité réglementaire.

Conclusion

Le test ERA représente une avancée significative dans le dépistage rapide et orienté sur le risque de Pseudomonas dans le lait de la chaîne du froid. Sa mise en œuvre optimise les processus de gestion du risque, contribue à la sécurité alimentaire, et améliore la compétitivité du secteur laitier par le renforcement du contrôle qualité.

Source : https://www.sciencedirect.com/science/article/pii/S0958694626002487

Détection rapide de la fraîcheur de la viande crue : IA et réseaux colorimétriques

31 août 2026/dans Blog/par jcdadmin

Détection rapide de la fraîcheur de la viande crue : intelligence artificielle et réseaux colorimétriques

Introduction

La détection de la fraîcheur de la viande crue demeure un enjeu central pour la sécurité agroalimentaire et la satisfaction des consommateurs. Traditionnellement, le contrôle de la qualité des viandes repose sur des méthodes physico-chimiques ou microbiologiques, souvent coûteuses et chronophages. L’émergence de technologies innovantes, telles que les réseaux colorimétriques couplés à l’intelligence artificielle, ouvre la voie à une évaluation rapide, précise et non destructive de la fraîcheur des viandes.

Réseaux colorimétriques : principes et applications

Les réseaux colorimétriques sont constitués de matrices de capteurs chimiquement réactifs capables de modifier leur couleur en réponse à des composés volatils libérés par la viande en décomposition. Placés à proximité de l’échantillon, ces réseaux réagissent de manière spécifique à différents processus de dégradation (tels que l’oxydation lipidique ou la prolifération microbienne), générant ainsi des motifs colorés uniques selon le degré de fraîcheur.

Les signaux colorimétriques sont acquis via des images numériques haute résolution, facilitant leur traitement automatisé. Cette approche offre une solution efficace, sans contact, adaptée au contrôle qualité en temps réel.

Intelligence artificielle : méthodes de traitement automatisé

Pour exploiter la richesse des données générées, l’intégration de techniques d’apprentissage profond (deep learning) s’avère essentielle. Les réseaux de neurones convolutifs (CNN) se distinguent notamment par leur capacité à extraire, apprendre et classifier les motifs complexes présents dans les images colorimétriques.

L’algorithme traite chaque image du réseau colorimétrique, détecte des caractéristiques spectrales implicites et attribue un niveau de fraîcheur prédictif. L’utilisation de grands ensembles de données pour l’entraînement permet d’optimiser la robustesse et la fiabilité du modèle prédictif.

Conception expérimentale et méthodologie

Échantillons

Viande de bœuf, porc et volaille, prélevée fraîche et stockée à température contrôlée.
Contrôle du vieillissement via des prélèvements échelonnés (0h, 24h, 48h, 72h, etc.).

Procédure de détection

Placement des réseaux colorimétriques au-dessus de la viande.
Acquisition des images à intervalles réguliers.
Analyse simultanée avec des méthodes de référence (microbiologie, TBARS, mesure du pH).

Traitement des données

Prétraitement numérique des images pour correction des artefacts.
Extraction de caractéristiques à partir des canaux RVB.
Entraînement du modèle CNN pour classifier les stades de fraîcheur.

Résultats et performances du système

Sensibilité et spécificité

L’approche basée sur le deep learning offre une discrimination précise entre la viande fraîche, moyennement fraîche et avariée. La précision de classification excède 90% pour la majorité des classes, avec une spécificité remarquable même pour des niveaux intermédiaires de dégradation.

Rapidité et automatisation

Le système d’analyse permet une évaluation quasi-instantanée (quelques secondes à quelques minutes), offrant ainsi une véritable solution temps réel pour les industriels et les distributeurs. Cela supprime le recours à des analyses laboratoires longues et coûteuses.

Comparaison avec les méthodes traditionnelles

Contrairement aux méthodes microbiologiques ou chimiques, les réseaux colorimétriques assistés par l’intelligence artificielle ne requièrent ni expertise technique pointue ni équipement complexe. Ils surpassent également les méthodes sensorielles (visuelles ou olfactives) en objectivité et répétabilité.

Limites et perspectives

Variabilité des matrices
La robustesse du système dépend de la diversité des échantillons utilisés lors de l’entraînement. Toute modification dans le type de viande, les conditions de conservation ou les procédés industriels nécessite un recalibrage partiel du modèle.

Optimisation des réseaux colorimétriques
L’amélioration de la sélectivité et de la stabilité des colorants chimiques reste un enjeu. Des avancées dans la formulation des capteurs réactifs permettront d’élargir la gamme d’applications et d’accroître la précision du diagnostic.

Vers l’intégration industrielle
Les perspectives futures incluent l’intégration de ces dispositifs dans les chaînes de conditionnement, leur miniaturisation et leur connexion à des systèmes d’information (IoT) pour un contrôle qualité automatisé à grande échelle.

Conclusion

La combinaison des réseaux colorimétriques et de l’apprentissage profond offre une voie prometteuse pour la détection accélérée de la fraîcheur de la viande crue. Cette technologie, à la fois économique, rapide et précise, répond aux exigences croissantes du secteur agroalimentaire en matière de traçabilité et de sécurité. À terme, elle pourrait s’imposer comme la norme pour l’évaluation non destructive de la qualité des denrées périssables.

Source : https://www.sciencedirect.com/science/article/abs/pii/S0308814626021084?dgcid=rss_sd_all

Risques microbiologiques des sauces et assaisonnements : enjeux et solutions

26 août 2026/dans Blog/par jcdadmin

Risques microbiologiques dans les sauces et assaisonnements : analyse approfondie

Introduction

Les sauces et assaisonnements occupent une place essentielle dans l’alimentation à travers le monde. Ces produits alimentaires, allant des vinaigrettes simples aux sauces élaborées, apportent saveur, texture et valeur nutritionnelle aux plats. Cependant, ils présentent également des risques microbiologiques notables qui, sans une gestion rigoureuse, peuvent compromettre la sécurité des consommateurs. Cette revue examine en profondeur les diverses menaces microbiologiques auxquelles sont exposées les sauces et assaisonnements, en mettant l’accent sur les principales espèces pathogènes, les facteurs favorisant leur prolifération et les mesures de contrôle adéquates.

Diversité des sauces et assaisonnements et leurs propriétés

Les sauces et dressings incluent un vaste éventail de produits : mayonnaise, moutarde, vinaigrette, sauce tomate, sauces à base de produits laitiers et nombreuses préparations à base d’huile ou d’eau. Cette diversité se traduit par des matrices nutritionnelles et physico-chimiques variées (teneurs en eau, pH, activité de l’eau, présence d’agents conservateurs), qui influencent directement la croissance et la persistance des micro-organismes.

Principaux risques microbiens associés

Bactéries pathogènes

Salmonella spp. : L’un des pathogènes majeurs, elle peut survivre dans les sauces à basse acidité ou faiblement pasteurisées. Les épidémies associées à Salmonella ont souvent été retracées à des émulsions froides comme la mayonnaise lorsque l’acidité est insuffisante ou le stockage est inadéquat.
Escherichia coli entérohémorragique : La présence d'œufs ou de produits crus dans les dressings augmente le risque d’infections à E. coli, qui se manifeste principalement par l’ingestion de produits contaminés.
Staphylococcus aureus : Ce germe produit des entérotoxines thermorésistantes, notamment dans les préparations mal conservées à base de produits laitiers ou d'œufs.
Listeria monocytogenes : Résistant au froid, il présente un danger sérieux dans les sauces froides stocks prolongés, surtout en présence de produits laitiers ou végétaux crus.

Bactéries sporulées et autres microflores

Clostridium botulinum et Bacillus cereus : Bien que le risque soit moindre dans les environnements acides ou réfrigérés, ces organismes sont particulièrement préoccupants dans les sauces à faible acidité ou conservées à température ambiante.
Levures et moisissures : Elles dégradent la qualité sensorielle des sauces par fermentation, changement d’odeur et de texture, voire production de mycotoxines dans certains cas.

Facteurs déterminant la survie et la croissance microbienne

pH : Un pH faible (acide) inhibe généralement la croissance des pathogènes, mais certaines souches résistent dans des valeurs proches de la neutralité.
Activité de l’eau (aw) : Plus l’activité de l’eau est élevée, plus le potentiel de croissance des agents microbiens est grand.
Présence de conservateurs : Les ingrédients comme les acides organiques, les agents antimicrobiens naturels (ex. : moutarde, ail, oignon) jouent un rôle protecteur.
Procédés de fabrication et conditions de stockage : La contamination croisée, le non-respect de la chaîne du froid, la pasteurisation insuffisante constituent des facteurs aggravants.

Contamination et contrôle en production

Sources de contamination

Ingrédients : Œufs, légumes crus, herbes, huiles et produits laitiers sont des sources majeures de contamination initiale si leur qualité ou hygiène est négligée.
Équipements et personnels : Les erreurs humaines et des surfaces mal nettoyées sont des vecteurs récurrents de transmission microbienne vers les produits finis.

Mesures de maîtrise

Sélection rigoureuse des matières premières : Privilégier des œufs pasteurisés, des herbes contrôlées et des huiles stériles limite les risques d’introduction de microorganismes indésirables.
Manipulation hygiénique : La formation continue du personnel et le respect strict des procédures de nettoyage et désinfection réduisent fortement la contamination.
Processus thermiques adaptés : La pasteurisation, l’acidification, ou la combinaison de traitements physiques et chimiques sont indispensables pour garantir l’innocuité des sauces à risques.
Contrôle du stockage et logistique : Maintenir la chaîne du froid et limiter la durée de conservation sont essentiels, surtout pour les produits non stérilisés.

Épidémiologie des toxi-infections alimentaires

De nombreux foyers de TIAC (toxi-infections alimentaires collectives) ont été rattachés à la consommation de sauces et dressings contaminés. Les épisodes historiques majeurs illustrent le lien entre absence de contrôle sanitaire et propagation d’agents tels que Salmonella, Staphylococcus et Listeria. La surveillance épidémiologique et la traçabilité se révèlent indispensables pour gérer les rappels de lots et réduire l’incidence des contaminations.

Innovations et stratégies futures pour la sécurité

Technologies émergentes : L’utilisation de traitements non thermiques comme la haute pression ou l’irradiation reste prometteuse pour préserver la qualité organoleptique sans sacrifier la sécurité.
Conservateurs naturels : La recherche sur les extraits végétaux antimicrobiens (ex. : huiles essentielles) s’impose comme alternative à l’emploi d’additifs classiques, répondant aux attentes du marché pour des formulations "propres".
Approche HACCP renforcée : Les systèmes préventifs et l’audit régulier des points critiques de contrôle sont incontournables pour les industries devant limiter le risque microbiologique.

Conclusion

La maîtrise des risques microbiologiques dans les sauces et assaisonnements exige une vigilance continue à toutes les étapes de la chaîne, de la sélection des ingrédients à la consommation finale. Une parfaite intégration de la science des aliments, de l’ingénierie et de l’épidémiologie reste fondamentale pour innover dans la formulation de produits sûrs et de qualité, adaptés aux exigences réglementaires et aux attentes des consommateurs avertis.

Source : https://www.sciencedirect.com/science/article/pii/S0362028X26001444