{"id":3964,"date":"2026-02-27T09:25:42","date_gmt":"2026-02-27T08:25:42","guid":{"rendered":"https:\/\/mag.inrameknes.info\/?p=3964"},"modified":"2026-02-27T09:25:43","modified_gmt":"2026-02-27T08:25:43","slug":"miel-pur-ou-frelate-detection-par-spectroscopie-infrarouge-et-intelligence-artificielle-le-cas-du-miel-de-caroubier-marocain","status":"publish","type":"post","link":"https:\/\/mag.inrameknes.info\/?p=3964","title":{"rendered":"Miel pur ou frelat\u00e9 ? D\u00e9tection par spectroscopie infrarouge et intelligence artificielle \u2014 le cas du miel de caroubier marocain"},"content":{"rendered":"\n

Lahcen Hssaini (1)<\/strong> & Said En-nahli (2)<\/strong><\/h2>\n\n\n\n

(1) INRA CRRA Mekn\u00e8s – (2) ENA Mekn\u00e8s.<\/p>\n\n\n

\n
\"\"
Dr Lahcen Hssa\u00efni, chercheur
Agroalimentaire \u2013 Biochimie
INRA CRRA Mekn\u00e8s<\/em><\/figcaption><\/figure><\/div>\n\n\n

<\/p>\n\n\n\n

Le miel figure parmi les produits alimentaires les plus falsifi\u00e9s mondialement, g\u00e9n\u00e9ralement dilu\u00e9 avec des sirops bon march\u00e9 (glucose, riz) compromettant sa qualit\u00e9 nutritionnelle. Le miel de caroubier marocain (Ceratonia siliqua L.), vari\u00e9t\u00e9 monoflorale d’importance culturelle et \u00e9conomique majeure, est particuli\u00e8rement vuln\u00e9rable \u00e0 cette fraude. Les m\u00e9thodes analytiques conventionnelles pr\u00e9sentent des limitations majeures : co\u00fbts \u00e9lev\u00e9s, analyses chronophages, et \u00e9quipements sophistiqu\u00e9s. Face \u00e0 l’ampleur croissante de la fraude, la spectroscopie infrarouge \u00e0 transform\u00e9e de Fourier en mode r\u00e9flexion totale att\u00e9nu\u00e9e (ATR-FTIR), coupl\u00e9e \u00e0 l’apprentissage automatique, constitue une approche rapide, pr\u00e9cise et accessible.<\/p>\n\n\n\n

L’ATR-FTIR g\u00e9n\u00e8re une \u00ab empreinte mol\u00e9culaire \u00bb unique refl\u00e9tant la composition chimique de chaque \u00e9chantillon. Notre hypoth\u00e8se repose sur le principe que l’ajout d’adult\u00e9rants modifie suffisamment cette signature spectrale pour \u00eatre d\u00e9tectable par intelligence artificielle. Nous postulons que les spectres du miel pur se distinguent significativement de ceux des miels adult\u00e9r\u00e9s, que chaque type d’adulterant g\u00e9n\u00e8re des signatures diff\u00e9renciables, et que la concentration pr\u00e9sente une relation quantifiable avec les variations spectrales.<\/p>\n\n\n\n\n\n\n\n

Le pr\u00e9sent travail vise deux objectifs : identifier le type d’adult\u00e9ration (miel pur, glucose ou riz) et quantifier le pourcentage d’adulterant (5-40% m\/m), tout en \u00e9valuant l’impact des techniques de pr\u00e9traitement spectral sur la performance pr\u00e9dictive. Notre m\u00e9thodologie comprend quatre \u00e9tapes principales. Premi\u00e8rement, les \u00e9chantillons ont \u00e9t\u00e9 pr\u00e9par\u00e9s par m\u00e9lange\u00a0gravim\u00e9trique<\/strong>\u00a0contr\u00f4l\u00e9 de miel pur\u00a0de caroube (<\/strong>avec des sirops de glucose\u00a0et de riz\u00a0\u00e0 six niveaux de concentration\u00a0(5, 10, 15, 20, 30 et 40% m\/m)<\/strong>. Deuxi\u00e8mement, les spectres (325 spectres) ont \u00e9t\u00e9 acquis par\u00a0spectrom\u00e8tre<\/strong>\u00a0ATR-FTIR dans la r\u00e9gion 1800-900 cm\u207b\u00b9, avec 64 balayages et une r\u00e9solution de 4 cm\u207b\u00b9. Troisi\u00e8mement, cinq protocoles de pr\u00e9traitement spectral ont \u00e9t\u00e9 appliqu\u00e9s\u00a0syst\u00e9matiquement<\/strong>\u00a0: donn\u00e9es brutes, d\u00e9riv\u00e9es\u00a0premi\u00e8re et seconde<\/strong>\u00a0Savitzky-Golay, lissage et correction de ligne de base. Enfin, six algorithmes d’apprentissage automatique ont \u00e9t\u00e9 test\u00e9s\u00a0(R\u00e9gression Logistique [LogR], For\u00eat Al\u00e9atoire [RFC], Machine \u00e0 Vecteurs de Support [SVC]<\/strong>\u00a0pour\u00a0la<\/strong>\u00a0classification\u00a0; R\u00e9gression Lin\u00e9aire [LR], For\u00eat Al\u00e9atoire [RFR], Machine \u00e0 Vecteurs de Support [SVR] pour la quantification)<\/strong>. La validation a \u00e9t\u00e9 r\u00e9alis\u00e9e par validation crois\u00e9e stratifi\u00e9e en 10 it\u00e9rations avec partitionnement rigoureux (60% entra\u00eenement, 20% validation, 20% test aveugle ind\u00e9pendant), garantissant l’\u00e9valuation objective des performances sur donn\u00e9es non vues. Ce pipeline a \u00e9t\u00e9 sp\u00e9cifiquement con\u00e7u pour \u00e9liminer les risques de fuite de donn\u00e9es (data leakage) et de surajustement (overfitting) \u2014 biais fr\u00e9quents dans les \u00e9tudes d\u2019apprentissage automatique appliqu\u00e9 \u00e0 la d\u00e9tection de fraudes alimentaires (Hssaini & En-nahli, 2025)[1]<\/a>.<\/p>\n\n\n

\n
\"\"
Figure 1. Pipeline m\u00e9thodologique de l’\u00e9tude. Le workflow int\u00e8gre quatre \u00e9tapes successives : (1) pr\u00e9paration d’\u00e9chantillons de miel de caroube pur et adult\u00e9r\u00e9s (glucose, riz) \u00e0 diff\u00e9rentes concentrations ; (2) acquisition des spectres infrarouges par ATR-FTIR dans la r\u00e9gion 1800-900 cm\u207b\u00b9 ; (3) application de cinq protocoles de pr\u00e9traitement spectral pour optimiser le signal ; (4) mod\u00e9lisation par six algorithmes d’apprentissage automatique avec validation crois\u00e9e 10-it\u00e9rations, permettant l’identification (classification) et la quantification (r\u00e9gression) de l’adult\u00e9ration.<\/em><\/figcaption><\/figure><\/div>\n\n\n

R\u00e9sultats et Discussion<\/h2>\n\n\n\n

Performances de mod\u00e9lisation<\/em><\/strong><\/em><\/h4>\n\n\n\n

Les algorithmes d’apprentissage automatique d\u00e9montrent des capacit\u00e9s exceptionnelles pour d\u00e9tecter et quantifier l’adult\u00e9ration du miel de caroube. Pour la classification (identification du type d’adulterant), la For\u00eat Al\u00e9atoire (RFC) atteint une pr\u00e9cision de test aveugle de 100% avec les pr\u00e9traitements par d\u00e9riv\u00e9e premi\u00e8re ou correction de ligne de base, et des valeurs d’AUC-ROC (Aire Sous la Courbe ROC) de 1.00 indiquant une discrimination parfaite entre miel pur, miel adult\u00e9r\u00e9 au glucose et au sirop de riz (Tableau 1). La R\u00e9gression Logistique et les Machines \u00e0 Vecteurs de Support (SVC) offrent \u00e9galement d’excellentes performances (\u226599.7%). Les rares erreurs (\u22481-3%) concernent exclusivement les faibles concentrations (5-10%) o\u00f9 les diff\u00e9rences spectrales sont plus subtiles<\/strong>. L’analyse d\u00e9taill\u00e9e r\u00e9v\u00e8le que 87% des 52 erreurs de classification totales se concentrent aux niveaux d’adult\u00e9ration de 5% et 10%, confirmant que le d\u00e9fi principal r\u00e9side dans la d\u00e9tection des faibles concentrations d’adulterants (figure 2). Ces r\u00e9sultats, bien que remarquables, ont \u00e9t\u00e9 obtenus en conditions contr\u00f4l\u00e9es de laboratoire ; leur interpr\u00e9tation doit rester mesur\u00e9e avant toute extrapolation \u00e0 des contextes r\u00e9els plus complexes. Pour la quantification (d\u00e9termination de la concentration d’adulterant), la For\u00eat Al\u00e9atoire pour R\u00e9gression (RFR: Random Forest Regression) surpasse significativement tous les autres mod\u00e8les. Avec la d\u00e9riv\u00e9e premi\u00e8re de Savitzky-Golay, RFR atteint un RPD de 8.34 \u00b1 2.50\u00a0(R\u00b2 = 0.981<\/strong>,\u00a0RMSE = 1.60 \u00b1 0.40%)<\/strong>. La correction de ligne de base offre des performances \u00e9quivalentes (RPD = 8.01\u00b1 4.87). La R\u00e9gression Lin\u00e9aire pr\u00e9sente des performances mod\u00e9r\u00e9es (RPD = 4.2-6.0), tandis que les Machines \u00e0 Vecteurs de Support pour R\u00e9gression (SVR) avec param\u00e8tres par d\u00e9faut s’av\u00e8rent inad\u00e9quates (RPD < 2.5) (Figure 3).<\/p>\n\n\n

\n
\"\"
Tableau 1. Performances comparatives des mod\u00e8les de classification et r\u00e9gression sur les ensembles de test aveugle. Les valeurs repr\u00e9sentent les moyennes \u00b1 \u00e9carts-types calcul\u00e9s sur 10 it\u00e9rations de validation crois\u00e9e stratifi\u00e9e.<\/em><\/figcaption><\/figure><\/div>\n\n\n

Protocoles optimaux et implications<\/em><\/strong><\/em><\/h4>\n\n\n\n

Deux workflows op\u00e9rationnels \u00e9mergent : <\/p>\n\n\n\n

(1) Identification<\/strong> : RFC + D\u00e9riv\u00e9e 1\u00e8re \u2192 Pr\u00e9cision 100% ; <\/p>\n\n\n\n

(2) Quantification<\/strong>\u00a0: RFR + D\u00e9riv\u00e9e 1\u00e8re \u2192 RPD > 8. Cette approche ATR-FTIR coupl\u00e9e \u00e0 l’IA offre une analyse compl\u00e8te en\u00a0< 5 minutes<\/strong>\u00a0(vs plusieurs heures pour m\u00e9thodes conventionnelles), sans destruction d’\u00e9chantillon, avec un co\u00fbt minimal et une simplicit\u00e9 adapt\u00e9e aux laboratoires de routine. Plusieurs limites m\u00e9ritent cependant d\u2019\u00eatre soulign\u00e9es. La gamme test\u00e9e (5-40%) devra \u00eatre \u00e9largie vers les seuils ultra-bas (< 1%) et les m\u00e9langes multiples d\u2019adulterants. Les mod\u00e8les de type For\u00eat Al\u00e9atoire op\u00e8rent comme des \u201cbo\u00eetes noires\u201d, limitant leur interpr\u00e9tabilit\u00e9 m\u00e9canistique. Par ailleurs, la variabilit\u00e9 saisonni\u00e8re de la composition du miel peut alt\u00e9rer les performances pr\u00e9dictives : une recalibration p\u00e9riodique reste recommand\u00e9e pour garantir la transf\u00e9rabilit\u00e9 annuelle des mod\u00e8les.<\/p>\n\n\n\n

\"\"
Figure 2. Performances comparatives des mod\u00e8les de r\u00e9gression pour la quantification de l’adult\u00e9ration. Comparaison des perfromances des algoritmes d\u2019apprentissage automatique (RFR, LR, SVR) avec diff\u00e9rents pr\u00e9traitements spectraux.<\/em><\/figcaption><\/figure>\n\n\n
\n
\"\"
Figure 3. Courbes ROC (Receiver Operating Characteristic) et aires sous la courbe (AUC) pour les mod\u00e8les de classification. Comparaison des performances des algorithmes d’apprentissage automatique (RFC, LogR, SVC) avec diff\u00e9rents pr\u00e9traitements spectraux.<\/em><\/figcaption><\/figure><\/div>\n\n
\n
\"\"
Figure 4. Diagrammes radar comparant simultan\u00e9ment les performances de classification (panneau gauche, F1-Score) et de r\u00e9gression (panneau droit, RPD) pour tous les mod\u00e8les d’apprentissage automatique test\u00e9s \u00e0 travers les cinq pr\u00e9traitements spectraux.<\/em><\/figcaption><\/figure><\/div>\n\n\n

Conclusion <\/h2>\n\n\n\n

Cette \u00e9tude d\u00e9montre que la combinaison ATR-FTIR\/intelligence artificielle constitue une approche analytique robuste pour la d\u00e9tection de fraude du miel, atteignant une grande pr\u00e9cision de classification et une quantification exceptionnelle (RPD > 8). Le workflow optimal identifi\u00e9 \u2014 Random Forest coupl\u00e9 \u00e0 la d\u00e9riv\u00e9e premi\u00e8re de Savitzky-Golay \u2014 fournit un protocole efficient pour le contr\u00f4le qualit\u00e9 industriel. Au-del\u00e0 du miel, cette m\u00e9thodologie est applicable \u00e0 d\u2019autres matrices alimentaires \u00e0 haute valeur ajout\u00e9e. Toutefois, ces r\u00e9sultats restent \u00e0 nuancer : le caract\u00e8re \u201cbo\u00eete noire\u201d des mod\u00e8les limite leur explicabilit\u00e9, et la variabilit\u00e9 saisonni\u00e8re de la composition du miel impose une revalidation p\u00e9riodique pour assurer la transf\u00e9rabilit\u00e9 annuelle. La validation \u00e9largie dans le temps (multi-saisons) et l\u2019espace (origines g\u00e9ographiques diversifi\u00e9es) reste n\u00e9cessaire pour garantir la g\u00e9n\u00e9ralisation aux conditions r\u00e9elles de production et commercialisation.<\/p>\n\n\n\n

\n\n\n\n

[1]<\/a> Hssaini, L., & En-nahli, S. (2025). Preprocessing-Dependent Machine Learning Models Enhance Mid-FTIR Detection of Honey Adulteration. Journal of Food Composition and Analysis<\/em>, 108666.<\/p>\n\n\n\n


<\/h2>\n","protected":false},"excerpt":{"rendered":"

Lahcen Hssaini (1) & Said En-nahli (2) (1) INRA CRRA Mekn\u00e8s – (2) ENA Mekn\u00e8s. Le miel figure parmi les produits alimentaires les plus falsifi\u00e9s mondialement, g\u00e9n\u00e9ralement dilu\u00e9 avec des sirops bon march\u00e9 (glucose, riz) compromettant sa qualit\u00e9 nutritionnelle. Le … Continuer la lecture →<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[27,372,26],"tags":[23,255,371],"_links":{"self":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts\/3964"}],"collection":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3964"}],"version-history":[{"count":10,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts\/3964\/revisions"}],"predecessor-version":[{"id":3980,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=\/wp\/v2\/posts\/3964\/revisions\/3980"}],"wp:attachment":[{"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3964"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3964"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mag.inrameknes.info\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3964"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}