Rencontres du Végétal

Contexte
La qualité des raisins est importante pour toutes ses filières, que ce soit pour la filière raisin de table, raisin sec ou vin. La qualité marchande des raisins n’est aujourd’hui pas basée sur leur composition, qui pourtant impacte leurs saveurs, leurs appréciations par les consommateurs et leur capacité à être transformé en produits de qualité. La qualité est le plus généralement liée aux aspects sanitaires, ce qui est très réducteur. Cela est dû à un manque de capacité à caractériser cette qualité, i.e. composition, de manière rapide et fiable, et sans détruire trop de marchandises. La détermination de la composition des raisins passe aujourd’hui par des analyses dites classiques qui nécessitent la préparation d’un jus pour les différentes analyses. Or, outre l’impact significatif de la manière de préparer ce jus sur sa composition, cette préparation nécessite du temps, parfois des solvants et un savoir-faire parfois très technique. L’utilisation d’une méthode non destructive, telle que l’imagerie hyperspectrale pourrait ainsi permettre de conserver la matière première et obtenir des réponses bien plus rapides, et même directement sur un système en ligne.
Objectifs
Nous avons ainsi testé la capacité de l’imagerie hyperspectrale comme outil non destructif pour prédire la composition des raisins.
Démarche et méthodes
Pour cela, nous avons récolté des raisins dans des parcelles de producteurs, en conditions réelles : des raisins de cuve de variétés Chenin blanc, Sauvignon blanc and Grolleau blanc pour les cépages blancs et Merlot, Syrah, Cabernet Sauvignon and Cabernet franc pour les cépages rouges. Les raisins secs sont issus de la variété Italia, et ont subi différents types de traitements de séchage pour obtenir des raisins secs alimentaires. Les raisins de table ont en revanche été achetés en grande surface : Sugarone Superior Seedless, Thompson Seedless et Victoria pour les raisins blancs et Sable Seedless, Alphonse Lavallée, Lival, et Black Magic pour les raisins rouges/rosés.
L’imagerie hyperspectrale a été réalisée à l’aide du système Pika L, Resonon (Bozeman, MT, USA) et du logiciel SpectrononPRO, l’acquisition spectrale allant de 400 nm à 1000 nm. Les spectres obtenus ont été enregistrés et pré-traités (SNV, 1ere et 2nde dérivée …). Les raisins ont ensuite été analysés par des méthodes classiques pour déterminer leur composition par des méthodes de références (sucres, polyphénols, …).
Des traitements chimiométriques ont ensuite permis de relier les spectres et les analyses physicochimiques. Les modèles PLS-R obtenus ont été évalués par les indicateurs tels que R²cal, R² val, RMSEC, biais et RPD.
Résultats obtenus
L’imagerie hyperspectrale a montré sa pertinence à être utilisée pour estimer la composition des raisins, sous leurs diverses formes (de cuve, sec et de table). En effet, couplée avec de la chimiométrie, elle permet de prédire avec des modèles performants :
• Les sucres, l’acide malique, l’indice de polyphénols totaux, les flavonoïdes totaux pour les raisins de cuve, ainsi que les anthocyanes extractibles pour les cépages rouges.
• L’acidité, la teneur en sucre et l’humidité résiduelle des raisins secs.
• Les sucres, les anthocyanes totales et les flavonoïdes totaux pour les raisins de table.
Perspectives
Ces études préliminaires ont permis de confirmer que cette méthode permettait d’estimer la composition des différents types de raisins, sans aucune préparation préalable de la matière première. En effet, de bons modèles ont été générés montrant la capacité de l’imagerie hyperspectrale à prédire la composition des raisins, que ce soit en termes d’acidité, de sucres que de composition phénolique. Cette méthode non destructive pourrait à présent être testée en ligne afin de classifier les raisins en fonction de leur qualité. Une étude complémentaire serait nécessaire pour relier composition et qualité attendue par les professionnels pour sélection des classes de raisin à partir d’indicateurs objectifs.
Références bibliographiques
Gabrielli M. et al. (2023). Hyperspectral imaging to assess wine grape quality. JSFA reports, 3(10), 452-462.
Gabrielli M. et al (2021). Hyperspectral imaging to characterize table grapes. Chemosensors, 9(4), 71.
Khiari R. et al (2025). Ability of hyperspectral imaging to assess physicochemical and phytochemical quality parameters of raisins. Journal of Food Measurement and Characterization, 19(2), 1234-1247.