Leave-One-Day-Out Cross-Validation of NIR-PLSR Models for Simultaneous Prediction of Eight Banana Quality Attributes during 12-Day Storage

Les bananes sont un cas d'étude de contradictions. Elles arrivent au marché dures, vertes et riches en amidon, pourtant elles possèdent une horloge interne qui les pousse à s'amollir, à se sucrer et, finalement, à pourrir. Cette transformation n'est pas seulement un changement d'apparence ; c'est un événement biochimique complexe où l'amidon stocké se décompose en sucres, les parois cellulaires se dissolvent et l'acidité change. Pour les agriculteurs et les détaillants, savoir exactement où se situe une banane sur cette chronologie est crucial. Si un fruit est cueilli trop tôt, il ne mûrit jamais correctement ; s'il est cueilli trop tard, il pourrit avant d'atteindre le consommateur. Traditionnellement, la seule façon de connaître l'état interne d'une banane est de la couper, d'écraser la chair et de la soumettre à des tests chimiques. Cette méthode détruit le fruit, rendant impossible le suivi de la même banane au fil de son mûrissement jour après jour.

Pour résoudre ce problème, les scientifiques se sont tournés vers la lumière. La spectroscopie proche infrarouge est une technique qui utilise la lumière invisible pour scruter l'intérieur des fruits sans les toucher. Lorsque cette lumière frappe une banane, elle rebondit selon un motif qui change en fonction de ce qui se trouve à l'intérieur : la quantité d'eau présente, la quantité de sucre formée et la fermeté des tissus. En analysant ces motifs lumineux, les chercheurs espèrent construire un modèle capable de prédire instantanément et de manière non destructive la qualité du fruit. Cependant, construire un tel modèle est délicat car les bananes changent rapidement. Une banane d'hier est très différente de celle de demain, et un modèle entraîné sur un mélange de jours pourrait apprendre à reconnaître la date plutôt que le fruit lui-même.

Une équipe de chercheurs de l'Université Jiaotong de Xi'an et du Centre national chinois d'inspection et de test de la sécurité alimentaire s'est donné pour mission de tester cette idée avec une approche rigoureuse. Ils ont rassemblé soixante-douze bananes et les ont conservées dans un environnement contrôlé à température et humidité constantes pendant douze jours. Chaque jour, ils ont mesuré le même fruit à l'aide d'un spectromètre proche infrarouge, qui capture la réflexion de la lumière, puis ont immédiatement détruit ce fruit spécifique pour mesurer son contenu chimique réel. Ils ont suivi huit qualités différentes : trois types de sucre (fructose, glucose et saccharose), l'amidon, les solides solubles totaux (une mesure de la douceur et des matières dissoutes), la fermeté, le pH et l'acidité.

Les chercheurs ont été confrontés à un défi spécifique dans la manière de tester leurs prédictions. Dans de nombreuses études, les scientifiques mélangent toutes leurs données et les divisent de manière aléatoire en groupes d'entraînement et de test. Cette méthode donne souvent des résultats trop optimistes car le modèle peut apprendre à partir d'échantillons presque identiques à ceux qu'il est censé prédire. Pour éviter cela, l'équipe a utilisé une méthode appelée validation croisée par exclusion d'un jour (« leave-one-day-out »). Imaginez un modèle qui est entraîné sur les données de onze jours de stockage et à qui l'on demande ensuite de prédire la qualité du fruit le douzième jour, un jour qu'il n'a jamais vu auparavant. Ils ont répété ce processus, en excluant chacun des douze jours à tour de rôle, pour voir si le modèle pouvait réellement se généraliser à de nouvelles périodes de temps non observées.

Les résultats ont révélé une division claire entre ce que la lumière peut voir et ce qu'elle ne peut pas voir. Le modèle a réussi de manière remarquable à prédire les attributs qui changent le plus radicalement pendant le mûrissement. Il pouvait prévoir avec précision les niveaux de glucose et de solides solubles totaux, avec une performance si forte qu'il pouvait distinguer les valeurs hautes et basses avec une grande précision. Il a également bien performé pour le fructose, l'amidon et la fermeté du fruit. Ce sont les qualités qui définissent la transition d'une banane verte dure et riche en amidon vers une banane jaune, molle et sucrée. Les motifs lumineux ont capturé le changement massif de teneur en sucre et la décomposition de la structure du fruit avec une grande fiabilité.

Cependant, le modèle a eu des difficultés avec les changements plus subtils. Il ne pouvait offrir que des estimations approximatives pour le saccharose, le sucre spécifique qui atteint souvent un pic au milieu du processus de mûrissement, et il a échoué à prédire l'acidité et le pH du fruit avec une précision utile. Les chercheurs ont constaté que les changements d'acidité étaient simplement trop faibles et trop bruités pour que les capteurs de lumière puissent les détecter par rapport aux autres propriétés du fruit. Cela suggère que si la lumière est excellente pour suivre les grands changements structurels et de sucre, elle n'est pas encore assez sensible pour mesurer les changements chimiques fins de l'acidité.

Une découverte clé de l'étude est que la manière dont les données sont testées importe plus que la technologie elle-même. Lorsque les chercheurs ont comparé leur méthode stricte d'exclusion d'un jour par rapport à la méthode standard de division aléatoire, ils ont constaté que la méthode aléatoire surestimait considérablement l'efficacité des modèles dans le monde réel. La méthode aléatoire faisait paraître les modèles meilleurs qu'ils ne l'étaient réellement car elle permettait au modèle d'accéder à des données similaires provenant d'autres jours. Le test temporel strict a montré que, bien que les modèles soient prometteurs, ils ne sont pas parfaits, et que leur capacité à prédire l'avenir dépend fortement de la manière dont ils sont validés.

Pour rendre la technologie plus pratique, l'équipe a également cherché à savoir s'ils pouvaient simplifier les capteurs. Au lieu d'utiliser toute la gamme de longueurs d'onde lumineuses, ils ont identifié des bandes de lumière spécifiques qui transportaient les informations les plus importantes. Ils ont découvert qu'en se concentrant uniquement sur ces longueurs d'onde clés, ils pouvaient réduire la complexité du système de plus de la moitié sans perdre beaucoup de pouvoir prédictif. Cela signifie qu'à l'avenir, un appareil simple et à faible coût utilisant seulement quelques couleurs de lumière spécifiques pourrait potentiellement être utilisé pour trier les bananes sur un tapis roulant, indiquant aux travailleurs exactement quels fruits sont prêts à être consommés et lesquels ont besoin de plus de temps, le tout sans en couper une seule.

L'étude conclut que si la lumière proche infrarouge est un outil puissant pour surveiller le mûrissement des bananes, elle n'est pas une baguette magique qui résout tous les problèmes. Elle excelle à suivre les grands changements de sucre et de texture, mais présente des limites lorsqu'il s'agit de l'acidité. La recherche sert également d'avertissement à la communauté scientifique : lorsque l'on étudie des choses qui évoluent dans le temps, comme le mûrissement des fruits, on ne peut pas se fier à des méthodes de test aléatoires. Vous devez tester vos modèles contre le futur qu'ils sont censés prédire. Ce faisant, les chercheurs ont fourni une feuille de route réaliste pour le développement d'outils non destructifs qui peuvent aider à réduire le gaspillage alimentaire et à garantir que les bananes que nous mangeons sont à leur apogée.