![](https://www.cronacheturistiche.it/wp-content/uploads/2024/03/Figura-1.png)
Grazie a sensori a microonde e al Machine Learning, il progetto sviluppato permette di compiere un passo avanti nella rilevazione dei contaminanti nel cibo nei prodotti alimentari confezionati che possono nascondere contaminanti che minacciano la qualità degli alimenti. evitando il ritiro dal mercato di intere partite a causa di un solo prodotto difettoso o mettendo a rischio la salute dei consumatori.
Per affrontare questa sfida, un Team di studenti dell’Alta Scuola Politecnica – percorso biennale di eccellenza congiunto del Politecnico di Milano e del Politecnico di Torino – affiancato da Wavision s.r.l., spin-off del Politecnico di Torino, ha lavorato sul progetto Wavision, una soluzione innovativa tramite sensori a microonde e algoritmi di apprendimento automatico (Machine Learning).
![](https://www.cronacheturistiche.it/wp-content/uploads/2024/03/Foto-del-macchinario.png)
Le aziende alimentari, di fronte alla domanda crescente della popolazione, e grazie all’incremento dell’automazione dei processi, producono volumi sempre più consistenti di alimenti confezionati, con l’aumento proporzionale del rischio di contaminazione. Tutelare la sicurezza dei consumatori permette di mantenere la fiducia dei clienti e la reputazione del marchio, aspetto cruciale per queste aziende. È essenziale, dunque, individuare la presenza dei contaminanti prima della commercializzazione.
La tecnologia alla base del progetto propone un principio innovativo di riconoscimento: grazie alla differenza, vista dalle microonde, tra il prodotto da ispezionare e l’eventuale corpo estraneo. Nel caso di avvenuta contaminazione, le microonde vengono alterate in modo che gli algoritmi sviluppati da Wavision ne possano rilevare la presenza. Le capacità di questo sistema si pongono come un’innovazione finalizzata a superare i limiti intrinseci dei dispositivi già disponibili, poichè il principio di detection si basa su una proprietà fisica mai considerata finora per questo fine, ovvero il contrasto dielettrico; ad esempio, i dispositivi basati su raggi X sfruttano il contrasto in densità tra prodotto e contaminante, limitandone le capacità di rilevazione per classi di contaminanti molto frequenti in industrie alimentari, come plastiche, vetro, legno, etc.
Il progetto si svolge ora in cinque direzioni. Inizialmente, si lavorerà sul miglioramento del setup del prototipo per gli esperimenti, proponendo un’alternativa che utilizzi componenti più economici, senza compromettere l’efficienza. Successivamente, si procederà con l’espansione del dataset per rafforzare i test di robustezza e migliorare la capacità di identificare i contaminanti. Sarà condotta un’analisi teorica sui contaminanti biologici, per identificare quelli prevalenti. Verranno valutati anche modelli avanzati di apprendimento automatico per migliorare l’accuratezza della rilevazione e ridurre i tempi di calibrazione. Infine, sarà introdotto un modello di Rete Neurale addestrato per individuare e gestire le anomalie nella catena di produzione industriale.