Deep Learning-Based Non-Destructive Seafood Freshness Assessment: A Systematic Review of Sensing Technologies, Validation, and Deployment Readiness

Le voyage d'un poisson de l'océan à l'assiette est une course contre la montre. Une fois pêché, les produits de la mer commencent à se transformer chimiquement et biologiquement, un processus piloté par les bactéries, la décomposition des protéines et l'oxydation des graisses. Ces changements altèrent l'odeur, la texture et l'apparence de l'aliment, menant finalement à l'altération. Pendant des décennies, déterminer si un poisson est encore consommable a reposé sur des méthodes qui sont soit lentes, nécessitent un laboratoire, soit détruisent le produit lui-même. Un scientifique pourrait devoir ouvrir un poisson, le broyer et effectuer des tests chimiques pour mesurer l'accumulation de composés spécifiques comme l'azote volatil ou le décompte des bactéries vivantes. Bien qu'exacte, cette approche signifie que le poisson même qui est testé ne peut plus être vendu. L'industrie alimentaire et les consommateurs recherchent depuis longtemps un moyen de scruter la qualité des produits de la mer sans briser le sceau ou gâcher la prise.

Une nouvelle revue systématique publiée en octobre 2026 par des chercheurs de l'Universitas Muhammadiyah Semarang explore comment l'intelligence artificielle vient combler cette lacune. Les auteurs, Muhammad Munsarif et Richmond Ampah-Mensah, ont rassemblé et analysé trente-deux études récentes pour voir si l'apprentissage profond (deep learning) — un type puissant de programme informatique qui apprend à partir de données — peut juger avec précision la fraîcheur des produits de la mer sans les toucher. Ils ont examiné une large gamme de technologies, allant des caméras standards qui prennent des photos des yeux et des ouïes des poissons aux capteurs avancés qui détectent des signaux chimiques invisibles. Les chercheurs ont constaté que, bien que les ordinateurs deviennent remarquablement doués pour repérer l'altération, le chemin vers une utilisation réelle n'est pas aussi simple que d'obtenir un score élevé lors d'un test. La véritable mesure du succès, soutiennent-ils, n'est pas seulement la capacité d'un modèle à prédire la fraîcheur dans un laboratoire contrôlé, mais sa capacité à le faire de manière fiable sur le sol d'une usole animée ou dans un magasin d'alimentation, en utilisant des données qui reflètent véritablement la réalité biologique de l'aliment.

La revue a commencé par passer au crible plus de mille dossiers scientifiques publiés entre 2021 et 2026. Après avoir supprimé les doublons et filtré les études qui n'utilisaient pas l'apprentissage profond ou qui reposaient sur des tests destructifs, l'équipe s'est concentrée sur vingt-huit articles de haute qualité. Ces études couvraient une gamme diversifiée de produits de la mer, notamment des poissons à nageoires, des crevettes, des crabes et des huîtres. Les chercheurs ont identifié quatre principales façons dont ces systèmes « voient » la fraîcheur. La première méthode, la plus accessible, utilise des caméras standard rouge-vert-bleu, similaires à celles des smartphones, pour analyser les changements visibles. Ces systèmes recherchent des changements de couleur et de texture sur la peau, les yeux ou les ouïes du poisson, qui deviennent souvent troubles ou décolorés à mesure que l'animal se décompose. La deuxième approche implique la spectroscopie, où des capteurs projettent de la lumière sur le poisson et mesurent la façon dont les tissus absorbent ou réfléchissent différentes longueurs d'onde. Cela permet à l'ordinateur de détecter des changements moléculaires, tels que la décomposition des protéines ou des graisses, qui surviennent bien avant que le poisson ne paraisse mauvais à l'œil humain.

La troisième catégorie implique des capteurs intelligents qui agissent comme un nez ou une langue numérique. Ces dispositifs utilisent des bandes chimiques qui changent de couleur lorsqu'elles réagissent avec les gaz libérés par le poisson en décomposition, comme l'ammoniac. Une caméra lit ensuite ces changements de couleur et transmet les données à un programme informatique. Le quatrième groupe combine ces méthodes, utilisant à la fois des images visuelles et des signaux chimiques pour obtenir une image plus complète de l'état du poisson. À travers ces différentes technologies, la performance rapportée était souvent impressionnante. De nombreuses études ont revendiqué des taux de précision de classification supérieurs à 95 pour cent, ce qui signifie que l'ordinateur identifiait correctement si un poisson était frais ou avarié dans presque tous les cas. Certains systèmes qui prédisaient des valeurs chimiques spécifiques, telles que le niveau d'azote volatil, montraient une correspondance statistique très forte avec les mesures réelles de laboratoire.

Cependant, les auteurs mettent en garde : ces chiffres élevés ne racontent qu'une partie de l'histoire. Une conclusion majeure de la revue est que de nombreuses études s'appuient sur des « étiquettes » trop faciles à deviner. Par exemple, si un ordinateur est entraîné à distinguer un poisson stocké pendant un jour d'un poisson stocké pendant dix jours, il pourrait simplement apprendre à reconnaître les conditions d'éclairage ou l'arrière-plan du laboratoire plutôt que l'état réel du poisson. La revue a constaté que les études qui ancraient leurs prédictions dans des données chimiques concrètes, telles que le décompte des bactéries vivantes ou les niveaux spécifiques de métabolites de décomposition, fournissaient des preuves bien plus solides d'utilité réelle. Lorsqu'un modèle prédit une valeur chimique spécifique plutôt qu'un simple temps de stockage, il est plus susceptible de mesurer le processus biologique réel de la décomposition.

Malgré une précision prometteuse, les chercheurs ont identifié des obstacles importants avant que ces systèmes ne puissent être largement adoptés. Une faiblesse critique dans la plupart des études examinées était le manque de tests indépendants. De nombreux systèmes n'ont été testés que sur le même lot de poissons, dans le même laboratoire, sous les mêmes conditions d'éclairage que ceux utilisés pour l'entraînement. C'est comme enseigner à un élève à passer un examen en lui donnant exactement les mêmes questions que celles qu'il verra à l'examen ; il peut obtenir un score parfait, mais il n'a pas vraiment appris le sujet. La revue a constaté que très peu d'études ont testé leurs modèles sur des lots de poissons différents, de différentes espèces ou provenant de différents lieux. Sans ce type de validation externe, il est difficile de savoir si le système fonctionnera lorsque les conditions changeront, par exemple lorsqu'un poisson sera vu sous différents éclairages de magasin ou par une caméra différente.

Un autre défi réside dans la différence entre un modèle informatique fonctionnant en théorie et un dispositif fonctionnant en pratique. Bien que de nombreuses études aient proposé que leurs systèmes puissent être installés sur un smartphone ou un bras robotique, seule une poignée d'entre elles l'a réellement démontré. Quelques chercheurs ont réussi à faire fonctionner leurs programmes sur du matériel portable comme des ordinateurs Raspberry Pi ou des téléphones portables, montrant que la technologie peut être rapide et assez petite pour une utilisation réelle. Une étude a même démontré un système robotique triant les poissons selon leur fraîcheur. Pourtant, ces démonstrations pratiques restent l'exception plutôt que la règle. La plupart des recherches sont encore bloquées au stade de la preuve de concept, où l'accent est mis sur la construction d'un modèle qui fonctionne dans un environnement contrôlé plutôt que sur un modèle capable de gérer le désordre d'une chaîne d'approvisionnement réelle.

Les auteurs concluent que le domaine est passé d'une simple reconnaissance d'images à une intégration plus complexe de la biologie et de la technologie. Les systèmes les plus matures sont ceux qui associent l'outil de détection approprié à un objectif biologique clair, tel que la mesure d'un composé de décomposition spécifique, puis testent rigoureusement ce système en dehors du laboratoire. Une grande précision ne suffit pas pour déclarer une technologie prête pour le marché. Pour que ces outils transforment réellement la gestion des produits de la mer, la recherche future doit donner la priorité aux tests sur des échantillons diversifiés et indépendants, et prouver que les systèmes fonctionnent sur le matériel réel qu'ils utiliseront dans le monde concret. D'ici là, la promesse de vérifications de fraîcheur instantanées et non destructives reste un potentiel puissant plutôt qu'un problème résolu, attendant la prochaine étape du passage de la paillasse du laboratoire au marché du poisson.