Strumentazione di proximal sensing e analisi dei dati per i prodotti agroalimentari
A.A. 2025/2026
Obiettivi formativi
Conoscenza degli aspetti tecnico/teorici delle principali metodiche di analisi rapida e non invasiva dei prodotti agroalimentari. Conoscenza delle principali categorie di strumenti ottici disponibili sul mercato. Conoscenza delle principali tecniche matematico/statistiche di elaborazione dei dati multivariati, con particolare riferimento alla chemiometria. Fornire competenze per un utilizzo pratico della strumentazione e per l'interpretazione dei dati per gestire al meglio le fasi pre e post raccolta.
Risultati apprendimento attesi
Conoscenza degli aspetti tecnico/teorici delle principali metodiche di analisi rapida e non invasiva dei prodotti agroalimentari. Conoscenza delle principali categorie di strumenti ottici disponibili sul mercato. Conoscenza delle principali tecniche matematico/statistiche di elaborazione dei dati multivariati, con particolare riferimento alla chemiometria. Fornire competenze per un utilizzo pratico della strumentazione e per l'interpretazione dei dati per gestire al meglio le fasi pre e post raccolta.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
1. Interazione della radiazione elettromagnetica con la materia. Proprietà ottiche dei prodotti agricoli. Spettroscopia vibrazionale. Bande di assorbimento dello spettro nel campo del visibile e del vicino infrarosso (vis/NIR).
2. Analisi strumentale (spettroscopia vis/NIR, analisi delle immagini e imaging iperspettrale, termografia). Gamma spettrale completa e strumenti semplificati con bande spettrali specifiche. Strumenti da banco e portatili.
3. Configurazione sperimentale per misurazioni ottiche in scala di laboratorio o in campo aperto. Fondamenti di progettazione sperimentale. Gestione delle interferenze ambientali sui dati ottici.
4. Interpretazione degli spettri. Pretrattamenti dei dati. Analisi esplorativa di dati multivariati: analisi delle componenti principali (PCA). Modellazione dei dati: modelli di classificazione qualitativa e modelli predittivi quantitativi. Calibrazione e validazione del modello. Esercitazioni pratiche di analisi dei dati tramite software specifico.
5. Esempi di Applicazioni di rilevamento prossimale in pre-raccolta per le principali catene orticole (es. Misurazione della resa, parametri di qualità, grado di maturazione, stima ottimale del tempo di raccolta, rilevamento precoce delle malattie, monitoraggio dello stress delle piante). Esempi di applicazioni di rilevamento prossimale in post-raccolta (es. Misurazione di parametri di qualità, grado di senescenza, vita post-raccolta). Analisi di casi studio reali e misurazioni sperimentali.
2. Analisi strumentale (spettroscopia vis/NIR, analisi delle immagini e imaging iperspettrale, termografia). Gamma spettrale completa e strumenti semplificati con bande spettrali specifiche. Strumenti da banco e portatili.
3. Configurazione sperimentale per misurazioni ottiche in scala di laboratorio o in campo aperto. Fondamenti di progettazione sperimentale. Gestione delle interferenze ambientali sui dati ottici.
4. Interpretazione degli spettri. Pretrattamenti dei dati. Analisi esplorativa di dati multivariati: analisi delle componenti principali (PCA). Modellazione dei dati: modelli di classificazione qualitativa e modelli predittivi quantitativi. Calibrazione e validazione del modello. Esercitazioni pratiche di analisi dei dati tramite software specifico.
5. Esempi di Applicazioni di rilevamento prossimale in pre-raccolta per le principali catene orticole (es. Misurazione della resa, parametri di qualità, grado di maturazione, stima ottimale del tempo di raccolta, rilevamento precoce delle malattie, monitoraggio dello stress delle piante). Esempi di applicazioni di rilevamento prossimale in post-raccolta (es. Misurazione di parametri di qualità, grado di senescenza, vita post-raccolta). Analisi di casi studio reali e misurazioni sperimentali.
Prerequisiti
Il corso richiede conoscenze fisiche e matematiche di base per affrontare gli aspetti cruciali della teoria e della strumentazione. La conoscenza statistica di base è importante per affrontare gli aspetti dell'elaborazione dei dati multivariati.
Metodi didattici
Il corso prevede 5 CFU di didattica frontale e 1 CFU con utilizzo pratico della strumentazione e simulazioni numeriche utilizzando specifici software statistici. Durante le lezioni vengono presentate lezioni teoriche, utilizzo pratico della strumentazione e simulazioni numeriche per facilitare l'acquisizione delle competenze previste attraverso casi pratici di studio.
Materiale di riferimento
1. Slides e videoregistrazioni delle lezioni.
2. Donald A. Burns (Editor), Emil W. Ciurczak (Editor). Handbook of Near-Infrared Analysis (Practical Spectroscopy). CRC Press.
3. Esbensen K.H. (2006). Multivariate data analysis - in practice. Aalborg University, Esbjerg.
4. Guidetti, R., Beghi, R., & Giovenzana, V. (2012). Chemometrics in food technology. Chemometrics in practical applications, 217-252.
2. Donald A. Burns (Editor), Emil W. Ciurczak (Editor). Handbook of Near-Infrared Analysis (Practical Spectroscopy). CRC Press.
3. Esbensen K.H. (2006). Multivariate data analysis - in practice. Aalborg University, Esbjerg.
4. Guidetti, R., Beghi, R., & Giovenzana, V. (2012). Chemometrics in food technology. Chemometrics in practical applications, 217-252.
Modalità di verifica dell’apprendimento e criteri di valutazione
La prova finale sarà un unico esame orale: verranno proposte domande teoriche "aperte" (3 domande) in base all'argomento presentato durante il corso. Non saranno previste prove intermedie.
Studentesse e studenti con DSA o disabilità sono pregate/i di contattare via mail il docente almeno15 giorni prima della data di esame prevista per concordare le eventuali misure individualizzate. Nella mail indirizzata al docente è necessario mettere in CC i rispettivi Servizi di Ateneo: [email protected] (per studenti con DSA) o [email protected] (per studenti con disabilità).
Studentesse e studenti con DSA o disabilità sono pregate/i di contattare via mail il docente almeno15 giorni prima della data di esame prevista per concordare le eventuali misure individualizzate. Nella mail indirizzata al docente è necessario mettere in CC i rispettivi Servizi di Ateneo: [email protected] (per studenti con DSA) o [email protected] (per studenti con disabilità).
Docente/i
Ricevimento:
su appuntamento
Dipartimento di Scienze Agrarie e Ambientali - via Celoria 2, Milano