Chez AINIA, nous avons collaboré avec TROLLI pour démontrer qu’il est possible de mesurer et de prédire en temps réel la teneur en protéines des masses de confiserie au moyen de la spectroscopie dans le proche infrarouge (NIR – Near Infrared).
Spectroscopie NIR pour le contrôle en ligne des confiseries
L’objectif était clair : remplacer des contrôles analytiques ponctuels, destructifs et lents par une méthodologie non invasive, précise et intégrée au processus, capable de réduire les pertes, d’accélérer la prise de décision et de renforcer la constance du produit final.
Formulation des confiseries et qualité : protéines, eau et glucides
Le projet s’appuie sur une réalité bien connue du secteur : la formulation des confiseries dépend de plus en plus des performances des ingrédients. Connaître avec précision la teneur en protéines, en glucides et en eau est essentiel pour la valeur nutritionnelle, la rhéologie du procédé et, en définitive, pour les propriétés organoleptiques.
Cependant, les techniques conventionnelles — qui exigent préparation d’échantillon, personnel spécialisé et délais d’analyse élevés — compliquent le contrôle en ligne, la réduction des écarts et l’automatisation. C’est pourquoi nous avons étudié une alternative fondée sur la spectroscopie NIR (750–2 500 nm) qui, appuyée sur la loi de Lambert-Beer, permet de corréler des empreintes spectrales à des paramètres analytiques de référence.
Méthodologie NIR en conditions réelles d’usine
Pour garantir la représentativité, nous avons travaillé avec TROLLI dans des conditions équivalentes à celles de l’usine. À partir de trois recettes, nous avons fait varier la proportion de gélatine (collagène) du double de la quantité initiale jusqu’à son élimination totale, couvrant ainsi une large gamme de formulations réelles.
Les mesures ont été réalisées avec un spectrophotomètre NIR équipé d’une sonde d’immersion et d’une lampe halogène. Parallèlement, la teneur réelle en protéines a été déterminée par analyse volumétrique dans le laboratoire d’Analyse Chimique d’AINIA.
Avec les deux ensembles de données — spectres et valeurs de référence — nous avons construit et ajusté un modèle prédictif basé sur une régression par moindres carrés partiels (PLS – Partial Least Squares).
Modélisation PLS : précision dans la prédiction de la protéine
Les résultats confirment la viabilité de la solution. Nous avons obtenu un modèle prédictif NIR de la teneur en protéines avec une erreur moyenne en validation croisée de 0,49 % sur une plage de 0 à 11 % de protéines, et un coefficient de détermination (R²) de 0,975.
Ces indicateurs montrent une précision élevée pour estimer rapidement et de manière non destructive un paramètre clé de qualité comme le pourcentage de protéines dans la masse de confiserie.
Au-delà des métriques, l’essentiel réside dans ce que permet ce modèle : un contrôle continu du processus, la détection précoce des écarts et une capacité de correction immédiate, conduisant à une réduction des pertes, une plus grande stabilité du produit et une prise de décision plus agile.
Supervision en temps réel et intégration SCADA/MES
L’étape naturelle suivante consiste à intégrer le système NIR en ligne dans des points critiques tels que le malaxage, le moulage ou le séchage, en le connectant aux systèmes de supervision et de contrôle pour fermer le cycle décisionnel.
Notre expérience démontre que le maintien du modèle — avec des recalibrations ponctuelles liées aux changements de recette ou de matières premières — garantit sa robustesse à long terme et maximise le retour sur investissement.
La collaboration avec TROLLI a été déterminante pour valider la technologie dans des conditions réelles : leur connaissance du procédé, associée à notre expertise analytique et en modélisation, a permis de transformer une hypothèse technologique en un outil opérationnel à impact direct en production.
De l’analyse hors ligne au contrôle de processus basé sur les données
Si tu fabriques des confiseries ou d’autres aliments dont la composition conditionne le procédé, AINIA peut t’aider à mesurer en temps réel les paramètres qui comptent vraiment.
Nous concevons des études de faisabilité, développons des modèles NIR sur mesure et accompagnons l’implantation en ligne pour transformer la donnée en action et convertir le contrôle qualité en avantage compétitif.
Un développement intégré dans le projet CANDYSPECT
Ce développement s’inscrit dans le cadre du projet CANDYSPECT, dédié à la recherche de technologies spectrales capables de déterminer les propriétés des confiseries gélifiées.
CANDYSPECT s’intègre au projet stratégique ECOFOOD – « Adaptation scientifique et technologique des chaînes de valeur agroalimentaires pour une transition durable, écologique et numérique » (code PAG-010000-2023-15), qui stimule l’innovation technologique du secteur vers des procédés plus numériques, efficaces et durables.
Le projet ECOFOOD est promu par le Ministère de l’Industrie et du Tourisme, dans le cadre du Plan de Relance, de Transformation et de Résilience, et financé par l’Union européenne – NextGenerationEU.
