Food safety is a key objective in all the development plans of the European Union. To ensure the quality and the sustainability of the agricultural production (both intensive and extensive) a well-designed analysis strategy is needed. Climate change, precision agriculture, green revolution and industry 4.0 are areas of study that need innovative practices and approaches that aren’t possible without precise and constant process monitoring. The need for product quality assessment during the whole supply chain is paramount and cost reduction is also another constant need. Non targeted Nuclear Magnetic Resonance (NMR) analysis is still a second-choice approach for food analysis and monitoring, one of the problems of this approach is the big amount of information returned. This kind of data needs a new and improved method of handling and analysis. Classical chemometrics practices are not well suited for this new field of study. In this thesis, we approached the problem of food fingerprinting and discrimination by the means of non-targeted NMR spectroscopy combined with modern machine learning algorithms and databases meant for the correct and easy access of data. The introduction of machine learning techniques alongside the clear benefits introduces a new layer of complexity regarding the need for trusted data sources for algorithm training and integrity, if this kind of approach proves is worth in the global market, we’ll need not only to create a good dataset, but we’ll need to be prepared to defend against also more clever attacks like adversarial machine learning attacks. Comparing the machine learning results with the classic chemometric approach we’ll highlight the strengths and the weakness of both approaches, and we’ll use them to prepare the framework needed to tackle the challenges of future agricultural productions.

Integration of machine learning techniques in chemometrics practices

Triggiani, Maurizio
2022

Abstract

Food safety is a key objective in all the development plans of the European Union. To ensure the quality and the sustainability of the agricultural production (both intensive and extensive) a well-designed analysis strategy is needed. Climate change, precision agriculture, green revolution and industry 4.0 are areas of study that need innovative practices and approaches that aren’t possible without precise and constant process monitoring. The need for product quality assessment during the whole supply chain is paramount and cost reduction is also another constant need. Non targeted Nuclear Magnetic Resonance (NMR) analysis is still a second-choice approach for food analysis and monitoring, one of the problems of this approach is the big amount of information returned. This kind of data needs a new and improved method of handling and analysis. Classical chemometrics practices are not well suited for this new field of study. In this thesis, we approached the problem of food fingerprinting and discrimination by the means of non-targeted NMR spectroscopy combined with modern machine learning algorithms and databases meant for the correct and easy access of data. The introduction of machine learning techniques alongside the clear benefits introduces a new layer of complexity regarding the need for trusted data sources for algorithm training and integrity, if this kind of approach proves is worth in the global market, we’ll need not only to create a good dataset, but we’ll need to be prepared to defend against also more clever attacks like adversarial machine learning attacks. Comparing the machine learning results with the classic chemometric approach we’ll highlight the strengths and the weakness of both approaches, and we’ll use them to prepare the framework needed to tackle the challenges of future agricultural productions.
La sicurezza alimentare è un obiettivo chiave in tutti i piani di sviluppo dell'Unione Europea. Per garantire la qualità e la sostenibilità della produzione agricola è necessaria una strategia ben progettata. Cambiamenti climatici, agricoltura di precisione, rivoluzione verde e industria 4.0 sono aree di studio che necessitano di pratiche e approcci innovativi impossibili senza un monitoraggio dei processi preciso e costante. La necessità di una valutazione della qualità del prodotto durante l'intera supply chain è fondamentale così come la riduzione dei costi. L'analisi di risonanza magnetica nucleare (NMR) ‘’non-targeted’’ è ancora un approccio poco utilizzato per l'analisi e il monitoraggio degli alimenti. Uno dei problemi di questo approccio è la grande quantità di informazioni restituite. Questo tipo di dati necessita pertanto di un metodo di gestione e analisi nuovo e migliorato. Le pratiche di chemometriche classiche non sono adatte a questo nuovo strumento di indagine. In questa tesi, abbiamo affrontato il problema del fingerprinting e della discriminazione degli alimenti mediante spettroscopia NMR ‘’non-targeted’’ combinata con moderni algoritmi di machine learning pensati per il corretto e facile accesso ai dati. L'introduzione di tecniche di apprendimento automatico permette un nuovo livello di complessità delle analisi ma allo stesso tempo introducono una nuova problematica per quanto riguarda invece la necessità di fonti di dati affidabili per l'addestramento e l'integrità degli algoritmi di machine learning, se questo tipo di approccio si dimostrerà valido nel mercato globale, non dovremo solo creare dataset di qualità, ma dovremo essere preparati a difenderci anche da attacchi studiati per mettere in difficoltà algoritmi di apprendimento automatico. Confrontando i risultati dei sistemi di apprendimento automatico con il classico approccio chemometrico evidenzieremo i punti di forza e di debolezza di entrambi gli approcci e li utilizzeremo per preparare un framework necessario per affrontare le sfide future.
File in questo prodotto:
File Dimensione Formato  
34-Triggiani Maurizio.pdf

accesso aperto

Descrizione: Tesi di Dottorato completa di Frontespizio
Tipologia: Tesi di dottorato
Licenza: Creative commons
Dimensione 4.04 MB
Formato Adobe PDF
4.04 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11589/237998
Citazioni
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact