FR2971339A1

FR2971339A1 - Estimating cooking degree of food e.g. beef steak by acquiring reflectance spectrum of food, performing normalization operation, and determining indicator of cooking degree of food by application of statistical prediction model/spectrum

Info

Publication number: FR2971339A1
Application number: FR1100336A
Authority: FR
Inventors: Aragon Ines Birlouez; Abdelhaq Acharid
Original assignee: Spectralys Innovation
Current assignee: Spectralys Innovation
Priority date: 2011-02-03
Filing date: 2011-02-03
Publication date: 2012-08-10
Anticipated expiration: 2031-02-03
Also published as: FR2971339B1

Abstract

The process comprises acquiring a reflectance spectrum of the food, performing a normalization operation, and determining an indicator such as sensory and water loss indicator of the cooking degree of the food by the application of a statistical prediction model or the reflectance spectrum. The reflectance spectrum is acquired in a spectral region comprising an absorption peak (400-600 nm) of myoglobin. The statistical prediction model consists of principal component regression model, partial least square model, or projection on latent structures. The process comprises acquiring a reflectance spectrum of the food, performing a normalization operation, and determining an indicator such as sensory and water loss indicator of the cooking degree of the food by the application of a statistical prediction model or the reflectance spectrum. The reflectance spectrum is acquired in a spectral region comprising an absorption peak (400-600 nm) of myoglobin. The statistical prediction model consists of principal component regression model, partial least square model, or projection on latent structures. The acquiring step is carried out by contacting the food with a hot surface during the cooking of the food. The reflectance spectrum is a spectrum of reflectance of a surface of the food that is not contact with the hot surface. An independent claim is included for an apparatus for estimating a cooking degree of a food.

Description

i PROCEDE ET APPAREIL D'ESTIMATION DU DEGRE DE CUISSON D'UN ALIMENT L'invention porte sur un procédé et un appareil d'estimation du degré de cuisson d'un aliment, en particulier d'un aliment carné tel qu'un 5 steak. Il est difficile de connaître précisément le degré de cuisson « à coeur » d'un aliment solide dont seule la surface est visible. Cela est particulièrement vrai dans le cas où la cuisson s'effectue par contact avec une surface chaude (poêle, wok) car dans ce cas le côté par lequel l'aliment est en 10 train de cuire n'est pas visible. Concrètement, les cuisiniers se basent sur leur expérience pour estimer le temps de cuisson nécessaire, mais cela est difficile compte tenu de la dispersion des propriétés physiques et chimiques des aliments (épaisseur, teneur en eau...) qui ont une influence difficilement prévisible sur leur cuisson. Il est très fréquent qu'un aliment - en particulier un 15 steak - soit servi trop cuit, ou pas assez. L'optimisation des temps de cuisson constitue une activité de recherche et développement importante pour l'industrie agro-alimentaire. Pour ce faire, il est nécessaire de pouvoir comparer des indicateurs de qualité des aliments soumis à des barèmes thermiques ou à des procédés de cuisson 20 différents. Aujourd'hui, la température à coeur est le paramètre de comparaison le plus utilisé en raison de sa simplicité de mise en ceuvre, mais la mesure n'est pas fiable (difficulté de positionnement du capteur) et la température seule, sans prise en compte de son évolution dans le temps, ne caractérise pas suffisamment le niveau de cuisson. 25 L'invention vise à procurer un procédé et un appareil permettant une estimation plus fiable et plus reproductible du degré de cuisson d'un aliment, tout en étant suffisamment simple pour que son utilisation dans la restauration et dans l'industrie agroalimentaire puisse être envisagée de manière réaliste. 30 L'invention exploite une corrélation statistique entre le spectre de réflectance de l'aliment et son degré de cuisson. Il s'agit d'une corrélation empirique, par conséquent une étape d'étalonnage est nécessaire à la mise 2 en oeuvre de l'invention. Cette corrélation a été mise en évidence dans le cas de la viande, tant bovine que de volaille, où l'on a étudié l'évolution du spectre d'absorption de la myoglobine. Mais il ne s'agit pas là d'une limitation essentielle de l'invention, qui peut être appliquée à d'autres familles d'aliments. Par exemple, l'étude de la variation de réflectance des caroténoïdes peut être utilisée comme un marqueur indirect de la dénaturation des protéines dans la chair du saumon. En effet, l'agrégation des protéines au cours de la cuisson augmente l'opacité de la chair, qui réduit la réflectance des caroténoïdes contenus dans cette dernière. Le procédé de l'invention s'applique également à des aliments d'origine végétale ; par exemple, le spectre de réflectance des haricots verts varie de manière considérable au cours de la cuisson. Un objet de l'invention est donc un procédé d'estimation du degré de cuisson d'un aliment comportant : (a) l'acquisition d'au moins un spectre de réflectance dudit aliment ; et (b) l'application d'un modèle statistique de prédiction audit ou à chaque spectre pour déterminer un indicateur du degré de cuisson de l'aliment. Selon différents modes de réalisation de l'invention : - Ledit aliment peut être un aliment carné, et de préférence un steak de viande bovine. - Ledit ou chaque spectre de réflectance peut être acquis dans une région spectrale comprenant un pic d'absorption de la myoglobine. - Ledit ou chaque spectre de réflectance peut être acquis dans une région spectrale comprenant la plage 300 - 800 nm et de préférence 400 - 600 nm. - Ledit modèle statistique de prédiction peut être choisi parmi un modèle PCR - régression sur composantes principales - et un 30 modèle PLS - moindres carrés partiels, ou projection sur des structures latentes. 25 3 - Ledit indicateur du degré de cuisson peut être choisi parmi : un indicateur sensoriel et la perte en eau de l'aliment. - Ladite étape d'acquisition d'au moins un spectre de réflectance peut être mise en oeuvre au cours de la cuisson dudit aliment, qui s'effectue par contact avec une surface chaude ; et ledit ou chaque spectre de réflectance peut être un spectre de réflectance d'une surface dudit aliment qui n'est pas en contact avec ladite surface chaude. - Le procédé peut comporter également une étape de prétraitement, comprenant une opération de normalisation, avant l'application 10 dudit modèle statistique. - Le procédé peut comporter également une phase préliminaire d'étalonnage comprenant : l'acquisition d'au moins un spectre de réflectance pour chacun d'une pluralité d'échantillons d'étalonnage dudit aliment, pour lesquels la valeur dudit indicateur du degré de cuisson est 15 connue ; et la construction dudit modèle statistique à partir des spectres ainsi acquis et desdites valeurs connues de l'indicateur du degré de cuisson ; Un autre objet de l'invention est un appareil pour la mise en oeuvre d'un procédé tel que décrit ci-dessus comprenant : - un dispositif d'éclairage d'un aliment dont le degré de 20 cuisson doit être estimé ; un système d'acquisition d'un spectre de réflectance dudit aliment ; et - un moyen de traitement des données pour estimer le degré de cuisson de l'aliment à partir dudit spectre de réflectance. Le dispositif d'éclairage peut comprendre au moins une source de lumière, de préférence visible ; le système d'acquisition peut comprendre un réflectomètre, par exemple à sphère d'intégration, et un spectromètre ; le moyen de traitement des données peut être un ordinateur programmé de manière opportune. D'autres caractéristiques, détails et avantages de l'invention ressortiront à la lecture de la description faite en référence aux dessins annexés donnés à titre d'exemple, qui montrent respectivement : 25 30 4 - La figure 1, une fiche de notation permettant de déterminer un indicateur sensoriel du degré de cuisson de la viande de poulet ; - Les figures 2A, 2B et 3, des spectres de réflectance bruts 5 (figure 2A), prétraités (figure 2B) et moyennés (figure 3) de broyats d'escalopes de poulet à différents degrés de cuissons ; - La figure 4, un graphique illustrant la prédiction du degré de cuisson d'une escalope de poulet à partir de son spectre de réflectance, obtenue par un procédé conforme à l'invention ; 10 - La figure 5, un graphique montrant que la perte en eau constitue un bon indicateur du degré de cuisson de la viande bovine ; - La figure 6, un schéma illustrant un procédé de détermination et validation d'un modèle statistique pour l'estimation du degré de cuisson de la viande bovine ; 15 - Les figures 7A et 7B, des spectres de réflectance d'un steak de viande bovine à différents degrés de cuisson ; - Les figures 8 à 11, des graphiques illustrant la prédiction du degré de cuisson de la viande bovine à partir de son spectre de réflectance ; et 20 - La figure 12, un schéma fonctionnel d'un appareil selon l'invention. La corrélation statistique entre le spectre de réflectance et le degré de cuisson a été étudiée d'abord pour le cas d'une escalope de poulet. Le degré de cuisson a été quantifié au moyen d'un indicateur sensoriel : 25 l'opération est relativement simple et objective, car tous les consommateurs s'accordent pour préférer la viande de poulet bien cuite. Comme illustré sur la figure 1, des panélistes (en nombre de huit) ont répondu à trois questions concernant la couleur, la brillance et le degré de cuisson à coeur de chacune de 23 escalopes. Les réponses ont 30 permis de confirmer l'existence d'une corrélation entre ces propriétés, ce qui était attendu car la viande de poulet crue est rosée et brillante, tandis qu'elle devient de plus en plus blanche et mâte au cours de la cuisson. Pour chaque réponse, une note comprise entre 1 (viande rose, très brillante et pas assez cuite) et 4 (viande blanche, très mâte et très cuite) a été attribuée. La note globale attribuée par chaque panéliste, comprise entre 3 et 12, est la somme des trois notes partielles. Sur l'exemple de la figure, le premier panéliste a 5 jugé que la première escalope était couleur crème (trois points), d'aspect mât (trois points) mais peu cuite (deux points), ce qui conduit à une note globale égale à 8. . L'indicateur de cuisson de chaque escalope a été défini comme 1a somme des notes données par chaque panéliste : il s'agit donc d'un entier compris entre 24 et 96, cette valeur étant d'autant plus élevée que la viande est considéré cuite. La figure 2A montre les spectres de réflectance bruts (réflectance R(~) exprimée en pourcentage) des escalopes utilisées pour le test sensoriel, acquise dans la plage spectrale 350 - 750 nm. La courbe SPo 15 se rapporte à une escalope crue utilisée comme témoin. Ces spectres sont acquis sur des morceaux à coeur. Sur la figure 2B, chaque spectre a été normalisé individuellement en lui soustrayant son intensité moyenne et en le divisant pour l'écart-type de ses intensités spectacles (correction SNV, pour 20 « standard normal variate », c'est-à-dire « variable centrée réduite »). Les escalopes de poulet évaluées par les panélistes ont été classées en fonction de l'indicateur de cuisson reçu, et divisées en quartiles. Les spectres (corrigés selon la méthode SNV et décalés) des escalopes de chaque quartile ont étés moyennés. Ainsi, sur la figure 3, la courbe SPI 25 correspond au spectre moyen des escalopes du premier quartile (considérées « pas assez cuites »), la courbe SP2 à celui des escalopes du deuxième quartile (« peu cuites »), la courbe SP3 à celui des escalopes du troisième quartile (« cuites ») et SP4 à celui des escalopes du quatrième quartile (« très cuites »). D'une manière qualitative, on remarque que la cuisson atténue les 30 « creux » de réflectance à 413, 541 et 577 nm correspondant aux pics d'absorption de la myoglobine. 6 Un modèle statistique de type PCR (de l'anglais « Principal Composant Regression », c'est à dire régression par composantes principales) à quatre composantes principales a été construit sur la base des spectres individuels de la figure 2B. FIELD OF THE INVENTION The invention relates to a method and an apparatus for estimating the degree of cooking of a food, in particular of a meat food such as a steak. . It is difficult to know precisely the degree of cooking "at heart" of a solid food whose only surface is visible. This is particularly true in the case where the cooking takes place by contact with a hot surface (stove, wok) because in this case the side by which the food is being cooked is not visible. Concretely, the cooks rely on their experience to estimate the necessary cooking time, but this is difficult considering the dispersion of the physical and chemical properties of the food (thickness, water content ...) which have an influence difficult to predict on their cooking. It is very common for a food - especially a steak - to be overcooked, or not enough. Optimizing cooking times is an important research and development activity for the food industry. In order to do this, it is necessary to be able to compare food quality indicators subject to different thermal scales or cooking processes. Today, the temperature at heart is the most used comparison parameter because of its simplicity of implementation, but the measurement is unreliable (difficulty in positioning the sensor) and the temperature alone, without taking into account its evolution over time, does not sufficiently characterize the level of cooking. The object of the invention is to provide a method and apparatus for a more reliable and reproducible estimation of the degree of cooking of a food, while being sufficiently simple for its use in catering and the food industry to be considered. realistically. The invention exploits a statistical correlation between the reflectance spectrum of the food and its degree of cooking. This is an empirical correlation, therefore a calibration step is necessary to implement the invention. This correlation has been demonstrated in the case of meat, both bovine and poultry, where the evolution of the absorption spectrum of myoglobin has been studied. But this is not an essential limitation of the invention, which can be applied to other food families. For example, the study of carotenoid reflectance variation can be used as an indirect marker of protein denaturation in salmon flesh. Indeed, the aggregation of proteins during cooking increases the opacity of the flesh, which reduces the reflectance of carotenoids contained in the latter. The method of the invention also applies to foods of plant origin; for example, the reflectance spectrum of green beans varies considerably during cooking. An object of the invention is therefore a method for estimating the degree of cooking of a food comprising: (a) acquiring at least one reflectance spectrum of said food; and (b) applying a statistical prediction model to said or each spectrum to determine an indicator of the degree of cooking of the food. According to various embodiments of the invention: said food may be a meat product, and preferably a beef steak. The said or each reflectance spectrum can be acquired in a spectral region comprising a peak of absorption of the myoglobin. Said or each reflectance spectrum can be acquired in a spectral region comprising the range 300 - 800 nm and preferably 400 - 600 nm. This prediction statistical model can be chosen from a PCR model - principal component regression - and a PLS model - partial least squares, or projection onto latent structures. 3 - Said indicator of the degree of cooking can be chosen from: a sensory indicator and the loss of water of the food. Said step of acquiring at least one reflectance spectrum may be carried out during cooking of said food, which is carried out by contact with a hot surface; and said or each reflectance spectrum may be a reflectance spectrum of a surface of said food that is not in contact with said hot surface. The method may also comprise a preprocessing step, comprising a normalization operation, before the application of said statistical model. The method may also comprise a preliminary calibration phase comprising: acquiring at least one reflectance spectrum for each of a plurality of calibration samples of said food, for which the value of said indicator of the degree of cooking is known; and constructing said statistical model from the spectra thus acquired and said known values of the cooking degree indicator; Another object of the invention is an apparatus for carrying out a method as described above comprising: - a lighting device of a food whose degree of cooking must be estimated; a system for acquiring a reflectance spectrum of said food; and - data processing means for estimating the degree of cooking of the food from said reflectance spectrum. The lighting device may comprise at least one light source, preferably visible; the acquisition system may comprise a reflectometer, for example integrating sphere, and a spectrometer; the data processing means may be a computer programmed in a timely manner. Other features, details and advantages of the invention will become apparent on reading the description given with reference to the accompanying drawings given by way of example, which show respectively: FIG. determine a sensory indicator of the degree of cooking of the chicken meat; FIGS. 2A, 2B and 3, raw reflectance spectra 5 (FIG. 2A), pretreated (FIG. 2B) and averaged (FIG. 3) crushed chicken cutlets at different degrees of cooking; - Figure 4, a graph illustrating the prediction of the degree of cooking of a chicken cutlet from its reflectance spectrum, obtained by a method according to the invention; Figure 5 is a graph showing that water loss is a good indicator of the degree of cooking of beef; - Figure 6, a diagram illustrating a method for determining and validating a statistical model for estimating the degree of cooking of beef; FIGS. 7A and 7B reflectance spectra of a beef steak with different degrees of cooking; - Figures 8 to 11, graphs illustrating the prediction of the degree of cooking of beef from its reflectance spectrum; and Figure 12 is a block diagram of an apparatus according to the invention. The statistical correlation between the reflectance spectrum and the degree of cooking was first studied for the case of a chicken cutlet. The degree of cooking has been quantified by means of a sensory indicator: the operation is relatively simple and objective, as all consumers agree in favor of well-cooked chicken meat. As illustrated in Figure 1, panelists (in number of eight) answered three questions regarding the color, gloss, and degree of heart-focus of each of 23 schnitzels. The answers confirmed the existence of a correlation between these properties, which was expected because the raw chicken meat is pink and shiny, while it becomes more and more white and matte during cooking. . For each answer, a score of 1 (pink meat, very bright and not cooked enough) and 4 (white meat, very fat and very cooked) was awarded. The overall score assigned by each panellist, between 3 and 12, is the sum of the three partial scores. In the example of the figure, the first panellist judged that the first cutlet was cream (three points), of mast-like appearance (three points) but not cooked (two points), which leads to an overall score equal to at 8. . The cooking indicator for each cutlet was defined as the sum of the notes given by each panelist: it is therefore an integer between 24 and 96, this value being all the higher as the meat is considered cooked. . FIG. 2A shows the raw reflectance spectra (R (~) reflectance expressed as a percentage) of the scallops used for the sensory test, acquired in the 350-750 nm spectral range. SPo curve 15 refers to a raw cutlet used as a control. These spectra are acquired on pieces at heart. In FIG. 2B, each spectrum has been individually normalized by subtracting its average intensity from it and dividing it for the standard deviation of its show intensities (correction SNV, for "normal standard variate", i.e. "Reduced centered variable"). Chicken cutlets evaluated by panelists were ranked according to the cooking indicator received, and divided into quartiles. The spectra (SNV corrected and staggered) of the cutlets of each quartile were averaged. Thus, in FIG. 3, the SPI curve corresponds to the average spectrum of escalopes of the first quartile (considered "not sufficiently cooked"), the curve SP2 to that of the escalopes of the second quartile ("poorly cooked"), the curve SP3 to that of the escalopes of the third quartile ("cooked") and SP4 to that of the escalopes of the fourth quartile ("very cooked"). Qualitatively, it is noted that firing attenuates reflectance "hollows" at 413, 541 and 577 nm corresponding to the absorption peaks of myoglobin. A statistical model of the PCR type ("Principal Component Regression", ie principal components regression) with four principal components was constructed on the basis of the individual spectra of Figure 2B.

Un modèle PCR combine une analyse par composantes principales (PCA) avec une régression par moindres carrés inverses. L'analyse par composantes principales permet de déterminer une pluralité de facteurs qui expliquent la variabilité des spectres de façon optimale. Un nombre limité de ces facteurs (quatre, en l'espèce) sont retenus comme étant lo significatifs. Ensuite, l'indicateur de cuisson est exprimé comme une fonction linéaire de ces facteurs. En des termes mathématiques la régression PCR (Régression sur les Composantes Principales) comprend les opérations suivantes.A PCR model combines principal component analysis (PCA) with inverse least squares regression. Principal component analysis allows to determine a plurality of factors which explain the variability of the spectra optimally. A limited number of these factors (four, in this case) are considered significant. Then, the cooking indicator is expressed as a linear function of these factors. In mathematical terms the PCR regression (Main Component Regression) includes the following operations.

15 Premièrement on rassemble n spectres, correspondant à aux n échantillons de viande considérés, chacun constitué par m valeurs d'intensité correspondant à des longueurs d'ondes respectives, en une matrice X de dimensions nxm (n lignes, m colonnes). Puis on réalise une analyse par composantes principale 20 (ACP) de cette matrice X des spectres de réflectance en la décomposant de la manière suivante : X = T PT+E où : T est une matrice n x k (avec k<m) dite matrice des « scores » ; 25 - PT est une matrice k x m dite matrice des « loadings » ; et - E est une matrice n x m dite matrice des résidus (car en général X ne peut pas être écrite exactement sous la forme d'un produit T PT). Ensuite on réalise une régression de Y, vecteur nx1 des indicateurs de cuisson des différents échantillons : 30 Y=T.QT+F avec : T=X-P; 7 Y = X-P.QT+ F ; et B = P-QT ; d'où on obtient : Y=X-B+F Dans les équations qui précèdent, B est le vecteur de dimensions 1xm des coefficients réels de la régression de Y (vecteur des indicateurs de cuisson) sur X (matrice des spectres) ; Q est la matrice de dimensions kx1 des « loadings » obtenus par décomposition de Y et F est une matrice de résidus de dimensions nx1. Dans une généralisation de la méthode, Y peut être une 10 matrice de dimensions nxr, auquel cas B a dimensions rxm et Q dimensions kxr. Dans l'exemple spécifique considéré ici, n=27 échantillons, m=200 longueurs d'onde par spectre, k=4 composantes principales et r=1 (indicateurs de cuisson scalaires).Firstly, n spectra corresponding to the n meat samples considered, each consisting of m intensity values corresponding to respective wavelengths, are gathered into an X matrix of dimensions n × m (n rows, m columns). Then a principal component analysis (PCA) of this matrix X of the reflectance spectra is carried out by decomposing it as follows: X = T PT + E where: T is an nxk matrix (with k <m) called the matrix of "Scores"; - PT is a matrix k x m called matrix of the "loadings"; and - E is a matrix n x m called the matrix of residues (because in general X can not be written exactly in the form of a product T PT). Then a regression of Y, vector nx1 of the cooking indicators of the different samples is carried out: Y = T.QT + F with: T = X-P; Y = X-P.QT + F; and B = P-QT; from which we obtain: Y = X-B + F In the preceding equations, B is the vector of dimensions 1xm of the real coefficients of the regression of Y (vector of the cooking indicators) on X (matrix of the spectra); Q is the matrix of dimensions kx1 of the loadings obtained by decomposition of Y and F is a matrix of residuals of dimensions nx1. In a generalization of the method, Y may be a matrix of dimensions nxr, in which case B has dimensions rxm and Q dimensions kxr. In the specific example considered here, n = 27 samples, m = 200 wavelengths per spectrum, k = 4 principal components and r = 1 (scalar cooking indicators).

15 La figure 4 met en relation la valeur « y » de l'indicateur sensoriel de cuisson de chaque échantillon (escalope de poulet) avec la valeur « » prédite par le modèle PCR pour le même échantillon ; plus précisément, la prédiction du i-ème échantillon (point « Si » sur la figure) est réalisée en utilisant un modèle réduit, construit à partir de tous les autres 20 échantillons - c'est dire en excluant l'échantillon « i » lui-même. Chacun des points S3 - S32 sur la figure correspond à un échantillon. On peut vérifier qu'il y a une très bonne corrélation (environ 95%), avec une pente de la droite interpolatrice d'environ 0,9, proche de la valeur idéale de 1. Le spectre évolue de manière particulièrement sensible, 25 lors de l'avance de cuisson, dans la zone 500-600 nm correspondant à la myoglobine. Cette évolution atteint progressivement un palier une fois la viande cuite à coeur. Au-delà, d'autres zones spectrales (350-450 nm) continuent à évoluer permettant de suivre la cuisson au-delà de cette cuisson à coeur. 2971339 s On constate donc que les spectres de réflectance de la viande de poulet permettent la prédiction fidèle de son degré de cuisson, mesuré par un indicateur sensoriel. Le procédé de l'invention a également été appliqué à la 5 détermination du degré de cuisson de la viande bovine, plus précisément sous la forme de steaks. Dans le cas de la viande bovine, la perte en eau au cours de la cuisson a été utilisée comme indicateur de degré de cuisson à la place d'un indicateur sensoriel. En effet, les goûts des consommateurs divergent quant au degré optimal de cuisson de la viande rouge ; par conséquent des notions telles que « peu cuite » ou « trop cuite » n'auraient pas un caractère suffisamment objectif. La figure 5 montre que la perte en eau PE (exprimée en grammes par centimètre carré de surface) dépend de manière sensiblement linéaire du temps de cuisson tc (en minutes) de la viande de vache, pour des temps compris entre 0 et 20 minutes, ce qui confirme que l'indicateur choisi est significatif. La figure 6 illustre un protocole d'étude de la cuisson d'un steak de viande bovine (vache) d'un ou deux centimètres d'épaisseur. On distingue trois faces du steak : la face A, la face B qui lui est opposée et la face C, mise en évidence en coupant en deux le steak dans le sens de son épaisseur (l'étude de la face C est destructive, elle n'a donc de sens que pour la validation de la méthode). On indique par Ao et Bo les faces A et B avant toute cuisson. La cuisson commence en mettant la face B du steak en contact avec la surface d'un poêle. On indique par AI, B1 et CI les faces A, B et C après une première phase de cuisson unilatérale, dont le spectre de réflectance est acquis à l'aide d'une caméra infrarouge. Ensuite, après une première étape de cuisson d'une durée fi, on retourne le steak, on met sa face A en contact avec la surface du poêle et on continue la cuisson, à la même température et pendant un temps t2=tl. On indique par A2, B2 et C2 les faces A, B, C après l'achèvement de la cuisson 9 (tc=t1+t2=2ti), dont le spectre de réflectance est également acquis à l'aide de la même caméra infrarouge. Enfin, la viande ainsi cuite est broyée, et un spectre de réflectance du broyat est acquis à son tour. Les spectres acquis sur les broyats sont identifiés par El (broyat réalisé après cuisson unilatérale pendant un temps ti) et E2 (broyat réalisé après cuisson bilatérale, pendant un temps global tc=t1+t2=2ti). A titre indicatif, la figure 7A montre les spectres de réflectance normalisés (R, en unités arbitraires) de la face AI crue (SA0) et après un temps ti de cuisson « indirecte » (sur la face BI) qui vaut, respectivement : 1 minute (SAS), 1 minute 30 secondes (SA2), deux minutes (SA3), trois minutes (SA4), cinq minutes (SA6) et sept minutes (SA6). La figure 7B montre les spectres de réflectance, prétraités comme ceux de la figure 2B, des faces B2 des mêmes échantillons après un temps additionnel t2 de cuisson sur la face A2 égal audit temps 0 minute (SBo - échantillon cru de référence), 1 minute (SB1), 1 minute 30 secondes (SB2), deux minutes (SB3), trois minutes (SB4), cinq minutes (SB6) et sept minutes (SB6). Ces résultats se rapportent à un steak d'un centimètre d'épaisseur de bovin adulte (vache) de race blonde d'Aquitaine, cuit à petit feu dans un poêle à une température de surface de 180°C. Comme dans le cas des échantillons de viande de poulet, on observe, au cours de la cuisson, une atténuation des « creux » de réflectance à 413, 541 et 577 nm correspondant aux pics d'absorption de la myoglobine. Des spectres de ce type, ainsi que les spectres BI, B2, CI, C2, 25 El et E2 correspondants, ont été acquis pour des steaks de 1 ou 2 centimètres d'épaisseur, de vache et de génisse, cuits à différents niveaux de puissance. Ces spectres ont été utilisés pour construire un modèle statistique de type PLS (de l'anglais « Partial Least Squares » - moindres carrés partiels - ou « Projection on Latent Structures » - projection sur des structures latentes).Figure 4 relates the "y" value of the sensory cooking indicator of each sample (chicken cutlet) to the "" value predicted by the PCR model for the same sample; more precisely, the prediction of the i-th sample (point "Si" in the figure) is carried out using a reduced model, constructed from all the other 20 samples - ie excluding the sample "i" him -even. Each of the points S3 - S32 in the figure corresponds to a sample. One can verify that there is a very good correlation (about 95%), with a slope of the interpolator line of about 0.9, close to the ideal value of 1. The spectrum evolves in a particularly sensitive way, 25 when of the cooking advance, in the 500-600 nm zone corresponding to the myoglobin. This evolution gradually reaches a plateau once the meat is cooked to heart. Beyond this, other spectral zones (350-450 nm) continue to evolve, making it possible to follow the cooking beyond this core cooking. 2971339 s We thus note that the reflectance spectra of chicken meat allow the faithful prediction of its degree of cooking, measured by a sensory indicator. The process of the invention has also been applied to the determination of the degree of cooking of beef, more precisely in the form of steaks. In the case of beef, the water loss during cooking has been used as an indicator of the degree of cooking in place of a sensory indicator. Indeed, consumers' tastes differ as to the optimum degree of cooking of red meat; therefore notions such as "undercooked" or "overcooked" would not be sufficiently objective. FIG. 5 shows that the loss of water PE (expressed in grams per square centimeter of surface) depends in a substantially linear manner on the cooking time tc (in minutes) of the cow's meat, for times of between 0 and 20 minutes, which confirms that the chosen indicator is significant. Figure 6 illustrates a study protocol for cooking a steak of beef (cow) one or two centimeters thick. There are three sides of the steak: the A side, the B side opposite it and the C side, highlighted by cutting the steak in two in the direction of its thickness (the study of the C side is destructive, it only makes sense for the validation of the method). The faces A and B are indicated by Ao and Bo before any cooking. Cooking begins by putting the B side of the steak in contact with the surface of a stove. The faces A, B and C are indicated by AI, B1 and CI after a first unilateral firing phase whose reflectance spectrum is acquired using an infrared camera. Then, after a first cooking step of a duration fi, the steak is returned, its face A is brought into contact with the surface of the stove and cooking is continued, at the same temperature and for a time t2 = tl. A2, B2 and C2 indicate the faces A, B, C after the completion of firing 9 (tc = t1 + t2 = 2ti), whose reflectance spectrum is also acquired using the same infrared camera. . Finally, the meat thus cooked is crushed, and a reflectance spectrum of the ground material is acquired in turn. The spectra acquired on the ground materials are identified by El (ground material produced after unilateral firing for a time ti) and E2 (ground material produced after bilateral firing, for an overall time tc = t1 + t2 = 2ti). As an indication, FIG. 7A shows the normalized reflectance spectra (R, in arbitrary units) of the raw AI face (SA0) and after an "indirect" cooking time ti (on the face BI) which is respectively: 1 minute (SAS), 1 minute 30 seconds (SA2), two minutes (SA3), three minutes (SA4), five minutes (SA6), and seven minutes (SA6). FIG. 7B shows the reflectance spectra, pretreated like those of FIG. 2B, of the faces B2 of the same samples after an additional cooking time t2 on the face A2 equal to the said 0 minute time (SBo - raw reference sample), 1 minute (SB1), 1 minute 30 seconds (SB2), two minutes (SB3), three minutes (SB4), five minutes (SB6) and seven minutes (SB6). These results refer to a steak one centimeter thick of adult cattle (cow) of blonde race of Aquitaine, cooked slowly in a stove at a surface temperature of 180 ° C. As in the case of chicken meat samples, attenuation of 413, 541 and 577 nm reflectance "hollows" at the absorption peaks of myoglobin is observed during cooking. Spectra of this type, as well as the corresponding spectra BI, B2, CI, C2, E1 and E2, have been acquired for steaks 1 or 2 centimeters thick, cow and heifer, cooked at different levels of power. These spectra were used to construct a PLS statistical model (Partial Least Squares - or Projection on Latent Structures - projection on latent structures).

30 La méthode PLS se base sur l'analyse en composantes principales (PCA, de l'anglais « Principal Component Analysis). L'idée est la suivante. 2971339 io Comme pour la régression PCR, on rassemble n spectres, correspondant à aux n échantillons de viande considérés, chacun constitué par m valeurs d'intensité correspondant à des longueurs d'ondes respectives, en une matrice X de dimensions nxm (n lignes, m colonnes). On décompose 5 cette matrice X de la manière suivante : X = T PT+E où : - T est une matrice n x k (avec k<m) dite matrice des « scores » ; 10 - PT est une matrice k x m dite matrice des « loadings » ; et - E est une matrice n x m dite matrice des résidus (car en général X ne peut pas être écrite exactement sous la forme d'un produit T PT. Physiquement, les « loadings » correspondent à des spectres 15 de «facteurs » qui « expliquent » les spectres expérimentaux rassemblés dans la matrice X. Les « scores » déterminent le poids de chaque facteur. On peut dire que les facteurs forment une base dans laquelle on décompose les spectres expérimentaux. Etant donné que k<m, la base est de dimensions réduites : la décomposition ne peut pas être exacte (d'où la présence d'une 20 matrice de résidus), il s'agit donc plutôt d'une projection sur un sous-espace. L'intérêt de la méthode réside dans le fait que les « scores » sont déterminés d'une telle manière que la plus grande partie de l'information contenue dans la matrice X soit préservée par une projection sur un nombre de « facteurs » aussi faible que possible. En outre, les facteurs sont hiérarchisés : ainsi, le premier facteur est celui qui contribue le plus à la décomposition de X, et ainsi de suite. Du point de vue opérationnel, les matrice T et PT sont calculées en appliquant une méthode connue sous le nom de NIPALS (de l'anglais « Nonlinear Iterative Partial Least Squares », c'est à dire moindres 30 carrés partiels nonlinéaires et itératifs). Voir à ce propos : Il Wold, H. (1974) « Causal flows with latent variables: Parting of the ways in the light of NIPALS modeling », European Economic Review, 5(1), 67-86 ; et B.G.M. Vandeginste, C. Sielhorst, M. Gerritsen (1988) « The NIPALS algorithm for the calculation of the principal components of a matrix », TrAC Trends in Analytical Chemistry, Volume 7, N° 8, Pages 286-287. La méthode PLS est essentiellement une double PCA. Le modèle s'écrit : X = T PT+E Y=U CT+F Ainsi, la matrice X (mxn) des spectres est décomposée en une matrice de « scores » T (nxk) et en une matrice de « loadings » PT (kxm). De même, la matrice Y (nxr) des indicateurs de cuisson - par exemple, des valeurs de perte en eau - est décomposée en une matrice de « scores » U (nxk) et en une matrice de « loadings » CT (kxm) ; E (mxn) et F (nxr) sont des matrices de résidus. On souhaite maximiser le lien entre T et U (TAU) de telle sorte que T « explique » U le mieux possible. Ainsi, Y guide la décomposition de X 20 pour la recherche de T, tandis que X guide la décomposition de Y pour la recherche de U. La régression de Y sur X s'écrit alors : Y=X B + F où F est un vecteur de résidus et la matrice B des coefficients 25 de régression est donnée par : B=W'(PTW)1,CT W étant la matrice des vecteurs propres diagonalisant la matrice de covariance M = (XT . Y) - (XT Y)T : W = ((XT Y) . (XT Y)T) W -~ W = M W 30 (k est ici la matrice diagonale des valeurs propres de M).The PLS method is based on Principal Component Analysis (PCA). The idea is the following. As for the PCR regression, n spectra are collected, corresponding to the n meat samples considered, each consisting of m intensity values corresponding to respective wavelengths, in an X matrix of dimensions n × m (n rows, m columns). This matrix X is decomposed as follows: X = T PT + E where: T is a matrix n x k (with k <m) called the matrix of the "scores"; 10 - PT is a matrix k x m called matrix of loadings; and - E is an nxm matrix called the residue matrix (because in general X can not be written exactly in the form of a product T PT Physically, the loadings correspond to spectra of "factors" which "explain The experimental spectra collected in the matrix X. The "scores" determine the weight of each factor It can be said that the factors form a basis in which the experimental spectra are decomposed Since k <m, the base is of dimensions reduced: the decomposition can not be exact (hence the presence of a matrix of residues), it is rather a projection on a subspace.The interest of the method lies in the fact that "scores" are determined in such a way that most of the information contained in matrix X is preserved by a projection on as few "factors" as possible, and the factors are prioritized: thus, the first factor is the one that contributes the most to the decomposition of X, and so on. From an operational point of view, the T and PT matrices are calculated by applying a method known as NIPALS (nonlinear Iterative Partial Least Squares, ie less than 30 nonlinear and iterative partial squares). See: Il Wold, H. (1974) "Causal Flows with Latent Variables: Parting of the Ways in the Light of NIPALS Modeling", European Economic Review, 5 (1), 67-86; and B.G.M. Vandeginste, C. Sielhorst, M. Gerritsen (1988) "The NIPALS algorithm for the calculation of the principal components of a matrix", TrAC Trends in Analytical Chemistry, Volume 7, No. 8, pages 286-287. The PLS method is essentially a double PCA. The model is written: X = T PT + EY = U CT + F Thus, the matrix X (mxn) of the spectra is decomposed into a matrix of "scores" T (nxk) and a matrix of "loadings" PT ( KXM). Similarly, the matrix Y (nxr) of the cooking indicators - for example, water loss values - is decomposed into a matrix of "scores" U (nxk) and a matrix of "loadings" CT (kxm); E (mxn) and F (nxr) are residue matrices. We want to maximize the link between T and U (TAU) so that T "explains" U as best as possible. Thus, Y guides the decomposition of X 20 for the search for T, while X guides the decomposition of Y for the search for U. The regression of Y on X is then written: Y = XB + F where F is a vector of residuals and the matrix B of the regression coefficients is given by: B = W '(PTW) 1, CT W being the matrix of the eigenvectors diagonalising the covariance matrix M = (XT Y) - (XT Y) T : W = ((XT Y). (XT Y) T) W - ~ W = MW 30 (where k is here the diagonal matrix of the eigenvalues of M).

12 La figure 8 montre un diagramme de dispersion dans lequel toutes les données acquises sont représentées, sous la forme d'un nuage de point, dans un plan dont les axes correspondent au premier facteur FI (axe des abscisses) et au deuxième facteur F2 (axe des ordonnées) du modèle PLS. Lès flèches mettent en évidence comment au cours de la cuisson se produise : - dans un premier temps, une diminution du poids du premier facteur accompagné d'une légère augmentation de celui du deuxième 10 facteur ; - ensuite, une nette diminution du poids du deuxième facteur accompagné d'une légère augmentation de celui du premier. Les spectres du premier, deuxième et troisième facteur sont représentés sur la figure 9 (courbes FI, F2 et F3 respectivement).FIG. 8 shows a scatter plot in which all acquired data is represented in the form of a point cloud in a plane whose axes correspond to the first factor F1 (abscissa) and the second factor F2 (FIG. y-axis) of the PLS model. The arrows show how during cooking occurs: - at first, a decrease in the weight of the first factor accompanied by a slight increase in that of the second factor; - then, a clear reduction of the weight of the second factor accompanied by a slight increase of that of the first. The spectra of the first, second and third factors are shown in FIG. 9 (curves F1, F2 and F3 respectively).

15 La figure 10 montre plus spécifiquement l'évolution du poids - c'est-à-dire du « score » - du premier facteur FI calculé pour la face AI (diamants), A2 (carrés) et BI (triangles) en fonction du temps de cuisson tc. Le poids peut prendre une valeur négative car les spectres sont centrés. Dans tous les cas, on observe que le poids de FI commence par diminuer, puis 20 remonte légèrement, ce qui est cohérent avec ce qui a été dit plus haut en référence à la figure 8. Mais si on ne considère que la face AI, la remontée du poids de FI se fait uniquement pour des temps de cuisson supérieurs à 5 minutes, qui n'ont que peu d'intérêt. Ainsi, aux fins pratiques, il est possible de prédire de manière satisfaisante l'indicateur de cuisson (perte d'eau) à partir 25 du seul premier facteur. Comme dans le cas de la figure 4, relative aux échantillons de viande de poulet, la prédiction relative à chaque échantillon est réalisée en utilisant un modèle réduit, construit à partir de tous les autres échantillons. Cela est démontré par la figure 11, qui met en relation la perte 30 en eau mesurée y, (axe des abscisses) avec celle, ÿ, prédite sur la base du seul premier facteur calculé pour les spectres de la face AI (axe des ordonnées). La perte en eau, exprimée en grammes d'eau par gramme de 13 viande, correspond à celle constatée après retournement du steak et cuisson de la face A pendant un temps égal à celui de la face B. Le facteur de corrélation R2 vaut 0,89 (cas idéal : 1), ce qui indique une corrélation satisfaisante. Une prédiction encore meilleure pourrait être obtenue en calculant la teneur en eau en fonction tant du premier que du deuxième facteur. Pour appliquer concrètement le procédé de l'invention on peut procéder de la manière suivante. Le steak cru est disposé dans une poêle, avec sa face B en contact avec la surface de ladite poêle, et commence à cuire. Le spectre de réflectance de la surface A (non en contact avec la poêle) est mesuré à des intervalles réguliers, et un indicateur de cuisson est calculé en temps réel par application d'un modèle statistique. Lorsque l'indicateur de cuisson atteint la valeur requise, le steak est retourné et cuit sur la face B pendant un temps égal à celui qui s'est déjà écoulé. On obtiendra ainsi un steak ayant le degré de cuisson souhaité. On remarquera que l'estimation de l'indicateur de cuisson se fait en observant uniquement la face du steak qui n'a pas encore été mise en contact avec la surface chaude de cuisson. Cela est à la fois contre-intuitif (on pourrait s'attendre à ce que le spectre de cette surface ne varie pas, ou très peu, et n'apporte aucune information utile quant au niveau de cuisson à coeur du steak) et très avantageux du point de vue pratique (il s'agit de la seule face que l'on peut observer en continu au cours de la cuisson). En effet, les photons incidents sur la face « crue » de l'échantillon ne pénètrent que sur une profondeur de l'ordre de 0,4 à 1mm, et n'atteignent donc pas la face opposée en cours de cuisson. Mais, du fait d'un transfert de chaleur à travers l'épaisseur de l'échantillon, des micro-changements physiques sont induits jusqu'au niveau de la surface de pénétration des photons émis par la lampe du spectrophotomètre. De manière surprenante, l'information spectrale est suffisamment sensible pour révéler ces micro-changements de structure physico-chimique du milieu induits par la cuisson de la face opposée.Figure 10 more specifically shows the evolution of the weight - i.e. the "score" - of the first FI factor calculated for the AI face (diamonds), A2 (squares) and BI (triangles) as a function of the cooking time tc. The weight can take a negative value because the spectra are centered. In all cases, we observe that the weight of F1 begins to decrease and then rises slightly, which is consistent with what has been said above with reference to FIG. 8. But if we consider only the face AI, the rise in FI weight is only for cooking times longer than 5 minutes, which are of little interest. Thus, for practical purposes, it is possible to satisfactorily predict the cooking indicator (water loss) from the first factor alone. As in Figure 4, for chicken meat samples, the prediction for each sample is made using a reduced model, constructed from all other samples. This is shown in Fig. 11, which relates the measured water loss y (abscissa) to that, ÿ, predicted on the basis of the first calculated factor only for the spectra of the AI side (y-axis). ). The loss in water, expressed in grams of water per gram of meat, corresponds to that observed after turning the steak and cooking of the face A for a time equal to that of the face B. The correlation factor R2 is 0, 89 (ideal case: 1), which indicates a satisfactory correlation. An even better prediction could be obtained by calculating the water content according to both the first and second factors. In order to concretely apply the method of the invention, it is possible to proceed as follows. The raw steak is placed in a pan, with its side B in contact with the surface of said pan, and begins to cook. The reflectance spectrum of surface A (not in contact with the pan) is measured at regular intervals, and a cooking indicator is calculated in real time by applying a statistical model. When the cooking indicator reaches the required value, the steak is turned over and cooked on side B for a time equal to the time already elapsed. This will result in a steak with the desired degree of cooking. It should be noted that the estimate of the cooking indicator is done by observing only the face of the steak that has not yet been brought into contact with the hot cooking surface. This is both counterintuitive (one would expect that the spectrum of this surface does not vary, or very little, and provides no useful information as to the level of cooking at the heart of the steak) and very advantageous from the practical point of view (this is the only side that can be observed continuously during cooking). Indeed, the photons incident on the "raw" face of the sample penetrate only on a depth of the order of 0.4 to 1mm, and therefore do not reach the opposite face during cooking. But, because of a heat transfer through the thickness of the sample, physical micro-changes are induced to the level of the penetration surface of the photons emitted by the spectrophotometer lamp. Surprisingly, the spectral information is sufficiently sensitive to reveal these micro-changes in the physico-chemical structure of the medium induced by the cooking of the opposite face.

14 Bien entendu, la méthode PCR, ou tout autre modèle statistique approprié, pourrait être utilisée à la place de la régression PLS. Dans les exemples considérés ici, seuls des aliments carnés (escalopes de poulet et steaks de viande bovine) ont été étudiés. Dans ces exemples, la variation des spectres au cours de la cuisson est due essentiellement à la dénaturation de la myoglobine. Pour cette raison, les spectres de réflectance ont été acquis dans une région spectrale comprenant la plage 400 - 600 nm, où se trouve un pic d'absorption de cette molécule. Le procédé de l'invention peut cependant s'appliquer à d'autres aliments, le cas échéant en effectuant des mesures dans une autre région spectrale. La figure 12 montre un schéma fonctionnel simplifié d'un appareil pour la mise en oeuvre du procédé de l'invention. Cet appareil comprend essentiellement une source lumineuse d'éclairage 1, un réflectomètre à sphère d'intégration 2, un spectromètre 3 et un moyen de traitement des données 4 (par exemple, un ordinateur ou un processeur programmé de manière opportune). Le réflectomètre 2 comprend une sphère d'intégration 20 ayant un port d'entrée 21, un port d'échantillon 22 disposé en face dudit port d'entrée et un port de sortie 23. Une première fibre optique 10 amène la lumière générée par la source 1 au premier port 21 de la sphère d'intégration 20. Le faisceau issu de cette fibre optique éclaire l'échantillon E à travers le port d'échantillon 22. La lumière diffusée par l'échantillon est repartie de manière uniforme sur la surface interne de la sphère d'intégration. Une deuxième fibre optique 30 prélève une fraction de cette lumière à travers le port de sortie 23, et l'amène au spectromètre 3. Le moyen de traitement des données 4 effectue un prétraitement des spectres acquis par ledit spectromètre (soustraction du fond, normalisation...), puis il leur applique un modèle statistique dépendant de la nature de l'aliment considéré, modèle obtenu lors d'un d'étalonnage préalable, pour fournir l'indicateur de cuisson requis. Sans être essentielle, l'utilisation d'une sphère d'intégration améliore sensiblement la précision de l'étape d'acquisition des spectres de réflectance. Of course, the PCR method, or any other appropriate statistical model, could be used instead of PLS regression. In the examples considered here, only meat products (chicken cutlets and beef steaks) were studied. In these examples, the variation of the spectra during cooking is mainly due to the denaturation of myoglobin. For this reason, the reflectance spectra have been acquired in a spectral region comprising the 400 - 600 nm range, where there is an absorption peak of this molecule. The method of the invention can however be applied to other foods, if necessary by carrying out measurements in another spectral region. Figure 12 shows a simplified block diagram of an apparatus for carrying out the method of the invention. This apparatus essentially comprises a lighting light source 1, an integrating sphere reflectometer 2, a spectrometer 3 and a data processing means 4 (for example, a computer or a processor programmed in a timely manner). The reflectometer 2 comprises an integrating sphere 20 having an input port 21, a sample port 22 disposed opposite said input port and an output port 23. A first optical fiber 10 brings the light generated by the source 1 at the first port 21 of the integration sphere 20. The beam from this optical fiber illuminates the sample E through the sample port 22. The light diffused by the sample is distributed uniformly over the surface internal sphere of the sphere of integration. A second optical fiber 30 picks up a fraction of this light through the output port 23, and brings it to the spectrometer 3. The data processing means 4 performs a pretreatment of the spectra acquired by said spectrometer (subtraction of the background, normalization. ..), then it applies a statistical model depending on the nature of the food considered, model obtained during a calibration beforehand, to provide the required cooking indicator. Without being essential, the use of an integrating sphere substantially improves the accuracy of the acquisition step of the reflectance spectra.

Claims

REVENDICATIONS1. A method of estimating the degree of cooking of a food comprising: (a) acquiring at least one reflectance spectrum (SP0 - SP4; SB ° - 5 SB6) of said food; and (b) applying a statistical prediction model to said or each spectrum to determine an indicator of the degree of cooking of the food.

2. The method of claim 1 wherein said food is a meat product, and preferably a beef steak.

The method of claim 2 wherein said or each reflectance spectrum is acquired in a spectral region comprising an absorption peak of myoglobin.

4. Method according to one of the preceding claims wherein said or each reflectance spectrum is acquired in a spectral region comprising the range 300 - 800 nm and preferably 400 - 600 nm.

5. Method according to one of the preceding claims wherein said statistical prediction model is chosen from a PCR model - principal component regression - and a PLS model - less partial squares, or projection on latent structures.

6. Method according to one of the preceding claims wherein said indicator of the degree of cooking is selected from: a sensory indicator and the water loss of the food.

7. Method according to one of the preceding claims, wherein said step of acquiring at least one reflectance spectrum is carried out during cooking of said food, which is carried out by contact with a hot surface; and wherein said or each reflectance spectrum is a reflectance spectrum of a surface (A) of said food that is not in contact with said hot surface. 30

8. Method according to one of the preceding claims also comprising a pretreatment step, comprising a normalization operation, before the application of said statistical model. 16

9. Method according to one of the preceding claims also comprising a preliminary calibration phase comprising: - acquiring at least one reflectance spectrum for each of a plurality of calibration samples of said food, for which the value of said indicator of the degree of cooking is known; and - constructing said statistical model from the spectra thus acquired and from said known values of the indicator of the degree of cooking;

10. Apparatus for carrying out a method according to one of the preceding claims comprising: - a device (1) for lighting a food whose degree of cooking must be estimated; a system (2, 3) for acquiring a reflectance spectrum of said food; and a data processing means (4) for estimating the degree of cooking of the food from said reflectance spectrum.