Thèse Foodtrackai Plateforme d'Intelligence Artificielle Intégrant la Blockchain pour la Prédiction en Temps Réel de la Qualité de la Sécurité et de l'Authenticité des Aliments Tout au Long de la H/F

Doctorat.Gouv.Fr

Établissement : Université de Technologie de Compiègne École doctorale : Sciences pour l'ingénieur Laboratoire de recherche : Génie enzymatique et cellulaire Direction de la thèse : Fady MOHAREB ORCID 0000000278802519 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-15T23:59:59 La sécurité sanitaire et la qualité des aliments constituent aujourd'hui des enjeux majeurs de santé publique et de développement durable. Chaque année, les maladies d'origine alimentaire touchent plusieurs centaines de millions de personnes, tandis que les pertes liées à l'altération des aliments et à la fraude alimentaire représentent plusieurs dizaines de milliards d'euros. Bien que les technologies de détection rapide non invasives, telles que l'imagerie multi- et hyperspectrale, la spectroscopie FTIR ou les nez électroniques, aient démontré leur efficacité pour évaluer la qualité microbiologique des aliments, leur utilisation reste principalement limitée à des analyses ponctuelles réalisées en laboratoire. Les systèmes actuels de traçabilité permettent par ailleurs un suivi limité des produits et exploitent encore peu les possibilités offertes par l'intelligence artificielle pour réaliser des prédictions en temps réel.

Cette thèse vise à développer FoodTrackAI, nouvelle génération de la plateforme sorfML, en intégrant des technologies blockchain aux modèles d'intelligence artificielle et de microbiologie prédictive afin de permettre une évaluation dynamique et continue de la qualité, de la sécurité et de l'authenticité des aliments tout au long de la chaîne d'approvisionnement.

Le projet s'appuie sur les travaux antérieurs ayant conduit au développement d'une plateforme automatisée capable de comparer et de classer plusieurs algorithmes d'apprentissage automatique afin de sélectionner les modèles les plus performants pour prédire la qualité microbiologique à partir de technologies analytiques non invasives. Ces modèles seront enrichis par l'intégration d'informations issues de la chaîne logistique, telles que la température de stockage, la durée du transport, la géolocalisation et les conditions de manipulation, enregistrées de manière sécurisée et infalsifiable grâce à une infrastructure blockchain.

Les modèles développés combineront les signatures spectrales obtenues à partir de capteurs rapides avec les données de traçabilité afin d'estimer en continu la croissance microbienne, les indices de fraîcheur et les niveaux de qualité des produits au cours de leur stockage et de leur distribution. La blockchain garantira l'intégrité, la transparence et la traçabilité des informations utilisées par les modèles prédictifs tout en facilitant leur exploitation en temps réel.

Le projet permettra le développement de nouveaux modèles d'intelligence artificielle explicables, d'une infrastructure logicielle intégrée et d'une plateforme d'aide à la décision capable de produire un véritable « passeport numérique » de qualité des aliments. Cette plateforme offrira aux producteurs, distributeurs, industriels et autorités de contrôle un outil innovant pour le suivi dynamique des produits alimentaires.

Réalisée dans le cadre d'une cotutelle entre l'Université de Technologie de Compiègne et l'Agricultural University of Athens, cette thèse bénéficiera des expertises complémentaires des deux établissements en intelligence artificielle, ingénierie logicielle, blockchain, microbiologie alimentaire, microbiologie prédictive et technologies analytiques rapides. Les résultats attendus comprennent de nouvelles méthodologies d'IA, une plateforme opérationnelle d'aide à la décision, plusieurs publications scientifiques de haut niveau ainsi qu'un fort potentiel de valorisation industrielle. Foodborne diseases remain one of the major global public health challenges, causing approximately 866 million illnesses and over 1.5 million deaths every year. In parallel, food fraud and quality deterioration generate billions of dollars of economic losses annually. Despite major advances in rapid sensing technologies, quality control throughout food supply chains continues to rely heavily on laboratory-based analyses that are expensive, destructive, labour-intensive and provide only retrospective information.

During the past decade, rapid non-invasive technologies including multispectral imaging, hyperspectral imaging, FTIR spectroscopy, electronic nose systems and metabolomics have demonstrated considerable potential for predicting food quality and microbial spoilage. Coupled with machine learning algorithms, these approaches can accurately estimate microbial loads and freshness indices without destructive testing.

The sorfML platform previously developed by the consortium introduced one of the first automated machine learning ranking systems capable of comparing multiple regression algorithms and identifying the most appropriate prediction models for different sensing technologies and microbial targets. The platform automatically evaluates multiple machine learning models and generates predictive reports for food spoilage assessment.

However, these prediction models operate using laboratory-generated datasets and do not exploit continuously evolving information generated during transportation, storage and retail. Storage temperature fluctuations, transportation duration, geographical movement and handling conditions are known to influence microbial growth but are rarely incorporated into AI prediction models.

Recent advances in blockchain technologies now enable secure, immutable and decentralised recording of logistics information throughout food supply chains. Combining blockchain-based traceability with AI prediction models creates the opportunity to transform food quality assessment from static laboratory testing into continuous real-time risk prediction. The overall objective is to develop the next generation of the sorfML platform (http://www.sorfml.com) by integrating blockchain-enabled traceability with machine learning-based food quality prediction to create an intelligent decision-support system capable of continuously estimating food freshness, microbial safety and authenticity throughout the food supply chain.

Specific objectives include:

1. Extend the existing sorfML platform to incorporate blockchain-based food traceability.
2. Develop interoperable data pipelines integrating multispectral sensing, environmental sensors, storage temperature, transport duration and geolocation.
3. Develop dynamic machine learning models capable of continuously updating food quality and safety predictions throughout distribution.
4. Integrate predictive microbiology models with AI algorithms to estimate microbial growth under real transport conditions.
5. Develop explainable AI methods that quantify the contribution of sensing data and logistics history to prediction confidence.
6. Validate the platform using selected fresh food products under realistic industrial supply chain scenarios. The project will combine laboratory experimentation, AI model development and distributed ledger technologies.

Initially, previously acquired food samples from various international projects where both supervisors were Principal Investigators (DiTECT: https://cordis.europa.eu/project/id/861915, FoodGuard: https://cordis.europa.eu/project/id/101136542/results, and Ambrosia: https://cordis.europa.eu/project/id/101181300) were analysed using rapid non-invasive sensing technologies including multispectral imaging, hyperspectral imaging, FTIR spectroscopy and electronic nose systems. Laboratory microbiological analyses have also been performed, amounting to more than 4000 food sample points of various food commodities (Meat, fish, cheese, salads) stored under different packaging systems (Air packaging, Modified atmosphere, vacuum packaging). this comprehensive database of food product quality and safety is currently ongoing expansion as more samples are currently being analysed. Such resource will be used to develop predictive models for bacterial profile (Regression models for total viable count, and spoilage specific bacteria, as well as quality profile - i.e. classification models for sensory score).

Machine learning algorithms implemented within sorfML, including Random Forest XGBoost, Support Vector Regression, Partial Least Squares Regression, k-Nearest Neighbours and ensemble learning approaches. will be extended to support continuous model updating using temporal logistics information.

A blockchain infrastructure will then be developed to securely record supply-chain events including:
1. Production batches
2. Storage temperature across various points of the production and distribution chain
3. Transportation history
4. Geolocation
5. Handling events

These immutable records will provide additional features to AI prediction models, enabling dynamic estimation of freshness and microbial safety throughout the product lifecycle.

Finally, a web-based decision support platform will be developed for visualisation of food quality indices, spoilage predictions, traceability information and risk alerts.