II. 2.3.4.2. Fromage du lait de chèvre
II.2.4. Détection de l’adultération dans les fromages frais
La discrimination entre différents types de fromages présente un intérêt important et surtout pour la lutte contre les fraudes. Afin de caractériser ces produits au frais, nous avons effectué une série d'expérimentations au cours de la première journée de conservation avec le nez électronique. Les échantillons de cinq types de fromages utilisés sont: 100:0, 10:90, 25:75, 50:50 et 0:100 (lait bovin : lait caprin).
La figure IV.13 illustre la variation des réponses du capteur TGS 842 en fonction des différents fromages testés. On remarque que la durée de la phase transitoire est importante alors que la phase de stabilisation n’est obtenue qu’à la fin de la mesure (10 minutes). Ce comportement est presque similaire pour tous les capteurs. La valeur de la conductance stabilisée peut être utilisée comme un indicateur préliminaire de distinction entre les cinq types de fromages étudiés. Cette différence est liée aux concentrations des volatiles dégagés par chaque produit. Ainsi, nous avons constitué une base de données composée des associations de deux variables représentatives: la conductance stabilisée et l’aire de la surface comprise entre 2 et 8 minutes de la mesure.
Etat de la fraîcheur du fromage de lait de vache
Classes des données a posteriori Fraîche Moyenne Périmée
Affectat ion a pr iori Frais 25 Moyen 1 14 Périmé 15 Etat de la fraîcheur du fromage de lait de chèvre
Classes des données a posteriori Fraîche Moyenne Périmée
Affectat ion a pr iori Frais 30 Moyen 10 Périmé 1 14
Figure IV.13: Réponse temporelle de la conductance du capteur TGS 842 en présence des cinq types de fromages frais.
Pour détecter l’adultération dans le fromage frais, nous avons effectué deux analyses. Dans un premier temps, nous voulions savoir si le nez électronique est capable de distinguer entre le fromage adultéré et les fromages purs [14]. La seconde analyse se veut très approfondie dans la mesure où on examinera à quel seuil de détection le nez électronique réussira à identifier le pourcentage de fromage adultéré [15].
II.2.4.1. Identification du fromage adultéré
Pour fournir une représentation simple de l’ensemble des individus de la base de données des fromages purs et fraudés, nous avons utilisé l’ACP qui va permettre de déterminer la capacité du système expérimental à discriminer entre les trois types de fromages: fromage de lait de chèvre, fromage de lait de vache et leur mélange (ajout de 10, 25 et 50% de lait de vache dans le lait de chèvre).
La figure IV.14 montre la projection par l’ACP sur les trois premières CP de l’ensemble des mesures effectuées par le système de nez électronique sous l’espace de tête des trois types de fromages. Avec les trois premières CP, 96,83% de l’information contenue dans la base de données est représentée. Nous remarquons que les trois groupes de fromages sont bien séparés et les observations au sein du même groupe sont assez regroupées. En effet, une discrimination parfaite entre l’espace de tête des fromages purs et ceux mélangés a été démontrée. Le fait que le fromage adultéré est bien séparé des fromages purs peut être lié soit à la génération de différents composés volatils non présents dans le cas purs, soit à l’augmentation ou la diminution de la teneur de l’espace de tête adultéré. Ainsi, l’ACP nous a permis de bien distinguer le fromage mélangé sans se préoccuper du pourcentage de lait ajouté.
Figure IV.14: Discrimination du fromage mélangé par l’ACP.
II.2.4.2. Détermination du pourcentage de mélange de fromage de vache et de chèvre
Certes, discriminer un fromage adultéré est l’un des objectifs primordiaux du contrôle de la qualité. Toutefois, la détermination des origines ou des additifs qui ont favorisé la préparation du fromage adultéré est d’une importance considérable pour mener une étude tout à fait complète. Dans cet objectif, nous avons utilisé le dispositif de nez électronique pour déterminer le pourcentage exact de fromage de lait de vache ajouté au lait de chèvre pour préparer un fromage adultéré. En d’autres termes, nous allons étudier le seuil de détection de la fraude par le dispositif de nez électronique en analysant cinq types de fromages ayant des pourcentages différents de laits de vache et de chèvre. L’expérimentation s’est déroulée au cours de la première journée de stockage et a concerné un lot de 24 échantillons des fromages conservés à 4°C. Deux techniques d’analyses multivariées ont été utilisées pour cette approche à savoir: l’ACP et l’ADL.
L’ACP a donné lieu à la répartition des données des cinq types de fromages dans un espace en 3D (Figure IV.15). Avec les trois premières composantes, 96,16 % de l’information contenue dans la base de données est retenue. Ainsi, cette représentation des individus nous permet de déceler les similarités et les différences entre les mesures effectuées. Outre cela, nous pouvons apprécier les fortes différences entre les mesures effectuées sur l’espace de tête des cinq types de fromages. En effet, cinq groupes apparaissent clairement sur cette représentation. On remarque également que la position de chaque groupe n’est pas aléatoire, elle suit un ordre bien défini (sens inverse des aiguilles d’une montre) en fonction de l’ajout de lait de vache au lait de chèvre. Ce résultat est très important dans la mesure où on pourra estimer les pourcentages de laits de vache et de chèvre utilisés pour préparer le fromage.
Figure IV.15: Classification du fromage en fonction des pourcentages de laits de vache et chèvre par l’ACP.
Ces résultats doivent être validés à l’aide d’une méthode supervisée, qui donnera un taux de succès de classification. Les résultats obtenus à l’aide de l’ACP nous ont permis de faire la discrimination entre les cinq groupes de fromages. L’utilisation de 2 paramètres représentatifs sur les 24 mesures nous a donné un bon classement selon le type de fromage. Nous avons voulu valider ce résultat à l’aide de l’ADL qui peut également être interprétée comme une ACP sur l’ensemble des k barycentres des classes prédéfinies.
II.2.4.3. Validation par l’ADL
L’examen visuel de la projection des groupes sur les deux premiers axes factoriels permet de contrôler la séparation des groupes étudiés. La figure IV.16 représente le résultat de discrimination des échantillons de fromage en utilisant l’ADL pour la première journée de conservation. Nous remarquons une nette discrimination entre les différentes classes représentant les cinq pourcentages de laits de vache et de chèvre. Dans cette figure, soit environ 98,50 % de la variance totale des données est représentée. La première fonction (DF1) et la seconde (DF2) représentaient 96,30 % et 2,20 % de la variance, respectivement. Deux conclusions peuvent être tirées de cette représentation: la première indique que DF1 discrimine les fromages purs et adultérés. Elle indique précisément que les fromages purs sont situés dans le sens négatif de l’axe DF1 alors que les fromages adultérés s’orientent vers le sens positif. La deuxième conclusion concerne la contribution de l’axe DF2 dans la discrimination, d’une part, des fromages purs de vache (0 : 100) et chèvre (100 : 0) et d’autre part, la discrimination entre les trois pourcentages de fromage de laits de vache et de chèvre, notamment, 10 : 90, 25 : 75 et 50 : 50 (lait bovin : lait caprin). Enfin, comme dans l’ACP, l’emplacement de chaque groupe suit un ordre bien défini (cette fois dans le sens des aiguilles d’une montre) et ceci en fonction du pourcentage de l’ajout de lait de vache au lait de chèvre.
Figure IV.16: Classification du fromage en fonction des pourcentages de laits de vache et chèvre par l’ADL.
Pour l’évaluation de la performance du classifieur ADL, nous avons utilisé la technique de la validation croisée par élimination. Ainsi, nous avons pu obtenir 91,66 % de taux de réussite pour l’identification des pourcentages de laits utilisés pour la préparation du fromage. Le tableau IV.6 représente la matrice de confusion du système de reconnaissance des fromages à différents pourcentages de laits de vache et de chèvre. Les valeurs de la diagonale correspondent aux données correctement classifiées. Deux mesures se retrouvent mal classées: une mesure qui appartient a priori à la classe 10 : 90 a été classée dans la classe 25 : 75 et une mesure qui appartient à la classe 50 : 50 a été classée dans la classe 25 : 75.
Tableau IV.6: Matrice de confusion pour l’identification des pourcentages de laits de vache et de chèvre utilisés pour la préparation du fromage.
Ces résultats montrent la puissance du nez électronique non seulement pour l’identification du fromage adultéré, mais aussi pour la détermination du pourcentage de mélange des laits de vache et de chèvre.
Classes Classes des données a posteriori
0 : 100 10 : 90 25 : 75 50 : 50 100 : 0 Affectat ion a priori 0 : 100 5 10 : 90 4 1 25 : 75 4 50 : 50 1 4 100 : 0 5
II.2.5. Récapitulatif
Dans cette deuxième application, nous avons présenté les résultats obtenus de la caractérisation des fromages de lait de vache, de chèvre et de leur mélange à différents pourcentages par le nez électronique.
Dans un premier lieu, nous avons montré que la conductance stabilisée des cinq capteurs TGS évolue en fonction des 30 jours de stockage des fromages de lait de vache et de chèvre conservés à 4 °C au réfrigérateur. En choisissant seulement deux variables de la réponse des capteurs, nous avons pu déterminer trois états de fraîcheur de ces fromages à l’aide de l’ACP: frais (du jour 1 à 12), moyen (du jour 15 à 21) et périmé (du jour 24 à 30) pour le fromage de lait de vache alors que pour le fromage de lait de chèvre, on trouve le frais (du jour 1 à 15), moyen (du jour 18 à 21) et périmé (du jour 24 à 30). Les classes ainsi obtenues ont été analysées par SVM qui atteint 98,18 % de taux de réussite pour l’identification des trois états de fraîcheurs pour les deux fromages purs.
La deuxième étude a concerné la discrimination entre le fromage de lait de vache, le fromage de lait chèvre et le fromage adultéré qui a été préparé à partir de différents pourcentages de laits de vache et de chèvre (10 : 90, 25 : 75 et 50 : 50 (lait bovin : lait caprin)). À ce propos, l’ACP nous a permis de bien distinguer entre les trois types de fromages avec 96,83% de la variabilité exprimée. Ainsi, ces résultats montrent que le nez électronique arrive à reconnaitre le fromage fraudé sans se préoccuper du pourcentage de lait de vache ajouté.
Enfin, nous avons démontré la capacité du nez électronique pour identifier le pourcentage de la combinaison des laits de vache et de chèvre utilisé pour constituer le fromage adultéré. A travers les résultats de l’ACP, 96,16 % de l’information contenue dans la base de données a été retenue et une parfaite discrimination a été démontrée. Ce résultat est validé par l’ADL avec une variance de 98,50% et un taux de réussite de 91,66% pour l’identification. Les représentations graphiques de l’ACP er l’ADL vont ainsi permettre d’estimer le pourcentage de l’ajout de lait de vache au lait de chèvre en fonction des coordonnées du fromage à analyser.