Contrôle non destructif de produits alimentaires par imagerie microonde et millimétrique

Non-destructive evaluation of food products by microwave and mmW imaging

Controllo non distruttivo dei prodotti alimentari mediante imaging a microonde e onde millimetriche

• Auteur / Autrice : Ali Darwish
• Direction : Claire Migliaccio, Francesca Vipiana
• Type : Thèse de doctorat
• Discipline(s) : Électronique
• Date : Soutenance le 09/04/2025
• Etablissement(s) : Université Côte d'Azur en cotutelle avec Politecnico di Torino
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'électronique, antennes et télécommunications (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Christian Waldschmidt
• Jury : Examinateurs / Examinatrices : Claire Migliaccio, Francesca Vipiana, Christian Waldschmidt, Lorenzo Crocco, Hervé Aubert
• Jury : Rapporteurs / Rapporteuses : Lorenzo Crocco, Hervé Aubert

Mots clés

Mots clés contrôlés

Antennes (électronique)

Télédétection

Intelligence artificielle

Ondes millimétriques

Imagerie microonde

Sécurité alimentaire

Mots clés libres

Intelligence artificielle

Imagerie micro-ondes

Modélisation électromagnétique

Imagerie millimétrique

Antennes

Télédétection

Détection en champ proche

Artificial intelligence

Millimeter-wave imaging

Antennas

Microwave imaging

Electromagnetic modelling

Remote sensing

Near-field sensing

Imaging a microonde

Imaging a onde millimetriche

Intelligenza artificiale

Telerilevamento

Rilevamento in campo vicino

Modellizzazione elettromagnetica

Antenna

Résumé

Garantir la sécurité et la qualité des aliments est une préoccupation majeure dans l'industrie alimentaire, car la contamination physique peut présenter des risques importants pour la santé des consommateurs, nuire à la réputation de la marque et par là même conduire à des poursuites judiciaires. Les méthodes de détection actuelles, telles que l'inspection par rayons X, présentent des limites, notamment en ce qui concerne l'identification de contaminants tels que le plastique, le bois et le verre, qui ont une faible densité et peuvent être difficiles à détecter, ou encore lorsque les contaminants sont cachés dans le produit. Ce travail explore une solution alternative basée sur la détection par un système exploitant les microondes. L'avantage de cette solution réside dans le caractère non ionisant des signaux envoyés ainsi que dans la possibilité de réaliser un système à faible puissance injectée. Ainsi, identifier les contaminants dans les aliments pourra s'effectuer sans compromettre leur intégrité ni nécessiter de modifications importantes des chaînes de production existantes. De plus, ce système devra fonctionner en temps réel sur une ligne de production, sans que le processus de fabrication ne soit interrompu. Le principe de la détection repose sur l'analyse de l'interaction des signaux microondes avec différents matériaux, en tirant parti du contraste diélectrique entre les contaminants et les produits alimentaires. La matrice de diffraction collectée par les 6 antennes qui entourent la cible est traitée pour déterminer la présence de corps étrangers. Le système est conçu pour être compatible avec les contraintes des environnements industriels de transformation des aliments. La détection des contaminants dans les produits alimentaires et les boissons à l'aide des paramètres de diffusion implique la résolution d'un problème inverse, non linéaire et mal posé. Ce processus est coûteux en termes de calcul et difficilement compatible avec une détection sur une ligne de production opérant en temps réel. Dans ce travail de doctorat, nous intégrons des techniques d'apprentissage automatique pour surmonter les difficultés du problème inverse et automatiser le processus de classification. Nous étudions la robustesse et l'efficacité de différents classificateurs, tels que les machines à vecteurs de support (SVM) et les réseaux de perceptrons multicouches (MLP), en les entraînant sur des ensembles de données à grande échelle collectées lors de campagnes de mesure. Ces modèles apprennent à distinguer les aliments contaminés des aliments sains. Les classificateurs identifient avec succès une variété de matériaux étrangers, y compris différents types de plastique, de verre et de bois, sur des milliers de cas de test. En outre, nous étendons notre recherche à l'imagerie par ondes millimétriques (mmW), en étudiant l'intégration des systèmes mmW avec des outils de ML pour l'inspection de fruits à coque. Cette étude est motivée par les résultats prometteurs obtenus dans cette même gamme de fréquences sur des fruits à peau fine et contenant une grande quantité d'eau, comme les pommes et les pêches. Ici, la présence de la coque ainsi que le fait qu'elle renferme un fruit sec rend l'étude plus complexe. Les résultats obtenus dans ce travail de doctorat mettent en évidence le potentiel du système basé sur les microondes et les ondes millimétriques en tant que solution robuste, évolutive et efficace pour la détection en temps réel de la contamination des aliments et l'inspection agroalimentaire. En intégrant la détection par micro-ondes à l'apprentissage automatique, nous proposons une alternative puissante aux méthodes d'inspection traditionnelles, améliorant ainsi la sécurité et la qualité des aliments dans les environnements industriels.

Ensuring food safety and quality is a major concern in the food industry, as physical contamination can pose significant health risks to consumers, damage brand reputation, and lead to legal consequences. Common detection methods, such as X-ray inspection, have limitations, particularly in identifying contaminants like plastic, wood, and glass, which have low density and can be difficult to detect. This work explores an alternative solution based on microwave sensing, introducing a novel approach to contamination detection. The proposed system leverages low-power, non-ionizing microwave signals to identify foreign bodies without compromising food integrity or requiring extensive modifications to existing production lines. It offers a cost-effective and real-time inspection method, capable of operating in-line without interrupting the manufacturing process. The detection principle relies on analyzing how microwave signals interact with different materials, taking advantage of the dielectric contrast between contaminants and food products. A set of antennas surrounding the target captures signal variations, which are then processed to determine the presence of foreign objects. The system is designed to acquire data efficiently while maintaining compatibility with the speed and constraints of industrial food processing environments. Detecting contaminants in food and beverage products using scattering parameters involves solving an inverse problem, which is nonlinear and ill-posed. This process is computationally expensive and may not be suitable for real-time, in-line detection. In this research, we integrate Machine Learning (ML) techniques to overcome the challenges of the inverse problem and to automate the classification process. We investigate the robustness and effectiveness of different classifiers, such as Support Vector Machines (SVM) and Multi-Layer Perceptron (MLP) networks, by training them on large-scale datasets collected from experimental trials. These models learn to distinguish between uncontaminated and contaminated food items. The classifiers successfully identifies a variety of foreign materials, including different types of plastics, glass, and wood, demonstrating high accuracy across thousands of test cases.Furthermore, we extend our research to millimeter-Wave (mmW) imaging, investigating the integration of mmW systems with ML tools for nut inspection. The promising results achieved using mmW imaging and ML classification in agrifood applications, particularly for soft fruits like apples and peaches, inspire us to evaluate the effectiveness of this approach for more challenging cases—specifically, in-shell seeds such as almonds and walnuts. The results obtained in this thesis highlight the potential of the microwave/mmW-based system as a robust, scalable, and efficient solution for real-time food contamination detection and agrifood inspection. By integrating microwave sensing with machine learning, this approach offers a powerful alternative to traditional inspection methods, improving food safety and quality in industrial settings.

Garantire la sicurezza e la qualita degli alimenti e una delle principali preoccupazioni dell’industriaalimentare, poiche la contaminazione fisica puo comportare rischi significativi per la salute dei consumatori, danneggiare la reputazione del marchio e portare a conseguenze legali. I comuni metodi dirilevamento, come l’ispezione a raggi X, hanno dei limiti, in particolare nell’identificazione di contaminanticome plastica, legno e vetro, che hanno una bassa densita e possono essere difficili da rilevare. Questolavoro esplora una soluzione alternativa basata sul rilevamento a microonde, introducendo un nuovoapproccio al rilevamento della contaminazione. Il sistema proposto sfrutta segnali a microonde a bassapotenza e non ionizzanti per identificare i corpi estranei senza compromettere l’integrita degli alimentio richiedere modifiche alle linee di produzione esistenti. Offre un metodo di ispezione economico e intempo reale, in grado di operare in linea senza interrompere il processo di produzione. Il principio di rilevamento si basa sull’analisi del modo in cui i segnali a microonde interagiscono con i diversi materiali, sfruttando il contrasto dielettrico tra contaminanti e prodotti alimentari. Una schiera di antenne, che circondano il prodotto sotto analisi, cattura le variazioni di segnale, che vengono poi elaborate per determinare la presenza di oggetti estranei. Il sistema e progettato per acquisire dati in modo efficiente, mantenendo la compatibilita con la velocita e i vincoli degli ambienti industriali di lavorazione degli alimenti. Il rilevamento di contaminanti nei prodotti alimentari e nelle bevande utilizzando i parametri di diffusione comporta la risoluzione di un problema inverso, non lineare e malposto. Questo processo e computazionalmente costoso e potrebbe non essere adatto per il rilevamento in linea in tempo reale. In questa ricerca, integriamo tecniche di apprendimento automatico (ML) al problema inverso per automatizzare il processo di classificazione. Analizziamo la robustezza e l’efficacia di diversi classificatori, come le macchine a vettori di supporto (SVM) e le reti di percettori multistrato (MLP), addestrandoli su serie di dati su larga scala raccolti da prove sperimentali. Questi modelli imparano a distinguere tra alimenti non contaminati e contaminati. I classificatori identificano con successo una varieta di materiali estranei, tra cui diversi tipi di plastica, vetro e legno, dimostrando un’elevata precisione su migliaia di casi di test. Inoltre, estendiamo la nostra ricerca all’imaging a onde millimetriche (mmW), studiando l’integrazione di sistemi mmW con strumenti di ML per l’ispezione delle noci. I risultati promettenti ottenuti con l’imaging mmW e la classificazione ML in applicazioni agroalimentari, in particolare per frutti rossi come mele e pesche, ci hanno stimolato a valutare l’efficacia di questo approccio per casi piu impegnativi, in particolare per semi in guscio come mandorle e noci. I risultati ottenuti in questa tesi evidenziano il potenziale del sistema basato sulle microonde/mmW come soluzione robusta, scalabile ed efficiente per il rilevamento della contaminazione alimentare e l’ispezione agroalimentare in tempo reale. Integrazione del rilevamento a microonde con l’apprendimento automatico offre una potente alternativa ai metodi di ispezione tradizionali, migliorando la sicurezza e la qualita degli alimenti in ambito industriale.