Development of rapid analytical methods for coffee quality assessment: Spectroscopy and chemometrics approach

Abstract

The assessment of coffee quality is based on the physical characteristics (bean quality), chemical constituents, and cup quality. Different factors, including altitude, genetics, management conditions, presence of adulterants, roasting, geographical origin, processing methods, and storage, affect the coffee quality. To meet the consumers' expectations regarding quality, the development of fast, new, and advanced analytical techniques for assessing the factors affecting coffee quality is a central aspect. Therefore, this research aimed to develop spectroscopic techniques complemented with chemometrics for evaluating the factors affecting coffee quality. The first specific objective was to investigate the ability of a deep autoencoder neural network to detect adulterants in roasted Arabica coffee and to determine a coffee’s geographical origin using near‐infrared (NIR) spectroscopy. Arabica coffee was adulterated with Robusta coffee or chicory at adulteration levels ranging from 2.5 % to 30 % in increments of 2.5 % at light, medium, and dark roast levels. Based on the results, all the samples adulterated with chicory were detectable by the autoencoder at all roast levels. For Robusta-adulterated samples, the detection was possible at adulteration levels above 7.5 % at medium and dark roasts. One can attribute the observations to potential differences in the chemical composition among the samples. Additionally, it was possible to differentiate coffee samples from different geographical origins. As a continuation of the first objective, the potential of NIR spectroscopy to quantify Robusta coffee or chicory in roasted Arabica coffee using different regression models constructed from the linear discriminant analysis (LDA) or principal component analysis (PCA) features was investigated. In addition, two classification methods (k-nearest neighbor regression (KNR) and LDA) were used. The regression models derived from LDA-extracted features exhibited better accuracies than those derived from PCA-extracted features. The two feature extraction methods exhibit differences in their working principle. PCA focuses on identifying the direction of maximum variance regardless of the adulteration levels. In contrast, LDA identifies the feature subspace that optimizes the separability of the classes (adulteration levels) and minimizes the variance within the class. Therefore, LDA extracted the features better than PCA, explaining the better performance of the regression models constructed from its features. The models provided satisfactory results with the coefficient of determination (R2) values above 0.92 for both the adulterants, indicating their efficiency in quantifying Robusta coffee or chicory in roasted Arabica coffee. For the classification methods, the LDA model performed better than KNR. Another focus of this doctoral research was to develop analytical tools based on Raman and NIR spectroscopy for real-time monitoring of the coffee roasting process by predicting chemical changes in coffee beans during roasting. Green coffee beans of Robusta and Arabica species were roasted at 240 °C for 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27, and 29 minutes. Four process runs were performed for each coffee species. The spectra of the ground samples were taken using the two spectrometers and modeled by the KNR, partial least squares regression (PLSR), and multiple linear regression (MLR). All the models based on the NIR spectra provided satisfactory results for the prediction of chlorogenic acid, trigonelline, and DPPH radical scavenging activity with low relative root mean square error of prediction (pRMSEP < 9.469 %) and high R2 (> 0.916) values. Similarly, all the models based on the Raman spectra provided acceptable prediction accuracies for monitoring the dynamics of chlorogenic acid, trigonelline, and DPPH radical scavenging activity (pRMSEP < 7.849 % and R2> 0.944). In conclusion, this research proposes different approaches that would allow valuable decisions regarding coffee quality to be made quickly and efficiently. The study suggests using NIR spectroscopy to determine a coffee’s geographical origin and detect and quantify adulterants in roasted coffee. The findings reveal that the method could be a promising tool for routine coffee quality control applications in the coffee industry and other legal sectors. The study also proposes using different spectroscopic methods (NIR and Raman) to monitor a coffee roasting process. One can consider the presented approaches as essential steps toward optimizing the roasting process at an industrial scale as they permit instantaneously taking significant process decisions.

Die Kaffeequalität wird basierend auf den physikalischen Eigenschaften (Bohnenqualität), den chemischen Bestandteilen und der Sensorik beurteilt. Verschiedenste Faktoren wie die Höhenlage, Genetik, Anbaubedingungen, Vorhandensein von Verfälschungen, Röstung, geografische Herkunft, Verarbeitungsmethoden und Lagerung beeinflussen die Kaffeequalität. Um die Erwartungen der Verbraucher bezüglich der Qualität zu erfüllen, ist die Entwicklung schneller, neuer und fortschrittlicher Analyseverfahren für die Faktoren, die die Kaffeequalität beeinflussen, ein zentraler Aspekt. Ziel dieser Forschungsarbeit war es deshalb, spektroskopische Techniken in Kombination mit chemometrischen Auswerteverfahren zu entwickeln, um diese Faktoren zu analysieren. Das erste Ziel bestand darin, das Potential eines neuronalen Deep-Autoencoder-Netzwerks zu untersuchen, Verfälschungen in geröstetem Arabica Kaffee zu erkennen und die geografische Herkunft von Kaffee (gerösteten) mithilfe der Nahinfrarot Spektroskopie (NIR) zu bestimmen. Arabica Kaffee wurde mit Robusta Kaffee oder Zichorie in Mengen von 2,5 % bis 30 % in 2,5 %-Schritten und hellen, mittleren und dunklen Röstgraden verfälscht. Die Ergebnisse zeigen, dass alle mit Zichorie verfälschten Proben bei allen Röstgraden durch den Autoencoder erkannt werden konnten. Für mit Robusta verfälschten Proben war eine Erkennung bei Verfälschungsgraden über 7,5 % bei mittlerer und dunkler Röstung möglich. Diese Beobachtungen lassen sich auf mögliche Unterschiede in der chemischen Zusammensetzung der Proben zurückführen. Außerdem war es möglich, Kaffeeproben verschiedener geografischer Herkunft zu unterscheiden. Als Weiterführung des ersten Ziels wurde das Potenzial der NIR Spektroskopie zur quantitativen Bestimmung von Robusta Kaffee oder Zichorie in geröstetem Arabica Kaffee mittels verschiedener Regressionsmodelle untersucht, die basierend auf Faktoren der Hauptkomponentenanalyse (PCA) oder der Linearen Diskriminanzanalyse (LDA) berechnet wurden. Zusätzlich wurden zwei Analysemethoden (k-nearest neighbor regression (KNR) und LDA) verwendet. Die Regressionsmodelle basierend auf den Faktoren der LDA zeigten eine bessere Vorhersagequalität als Regressionsmodelle, die auf den Faktoren der PCA basierten. Die beiden Verfahren beruhen auf unterschiedlichen Prinzipien für die Berechnung der Faktoren. Die PCA erklärt dabei die maximale Varianz, ohne aber die Verfälschungsgrade für die Berechnung der Faktoren miteinzubeziehen. LDA optimiert dagegen die Trennung von Klassen (Verfälschungsgrade) und minimiert die Varianz innerhalb einer Klasse. Deshalb war LDA dazu in der Lage, Faktoren zu extrahieren, die in der Regression bessere Vorhersagen lieferten. Die Modelle erzielten zufriedenstellende Ergebnisse mit einem Bestimmtheitsmaß (R2) von über 0,92 für beide verfälschende Substanzen, was ihre Effizienz bei der Quantifizierung von Robusta Kaffee oder Zichorie in geröstetem Arabica Kaffee zeigt. Bei den Klassifizierungsmethoden war das LDA Modell dem KNR Modell überlegen. Ein weiterer Schwerpunkt dieser Doktorarbeit war die Entwicklung von Analysemethoden auf der Grundlage der NIR und Raman Spektroskopie für die Echtzeitüberwachung des Kaffeeröstprozesses durch Vorhersage chemischer Veränderungen in Kaffeebohnen während des Röstens. Grüne Kaffeebohnen der Sorten Arabica und Robusta wurden bei 240 °C für 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27 und 29 Minuten geröstet. Für jede Sorte wurden vier Röstvorgänge durchgeführt. Die Spektren der gemahlenen Proben wurden mit den zwei Spektrometern aufgenommen und durch KNR, multiple lineare Regression (MLR) und Regression der partiellen kleinsten Quadrate (PLSR) modelliert. Alle auf den NIR Spektren basierenden Modelle lieferten zufriedenstellende Ergebnisse für die Vorhersage von Chlorogensäure, Trigonellin und DPPH als Radikalfänger mit einem niedrigen relativen mittleren quadratischen Fehler (pRMSEP < 9.469 %) und einem hohen R2 (> 0,916). Ebenso lieferten alle auf den Raman-Spektren basierenden Modelle akzeptable Vorhersagegenauigkeiten für die Überwachung der Dynamik von Chlorogensäure, Trigonellin und DPPH-Radikalfängern (pRMSEP < 7,849 % und R2 > 0,944). Zusammenfassend zeigt diese Studie, dass verschiedene Ansätze dazu beitragen können, schnell und effizient wertvolle Entscheidungen über die Kaffeequalität zu treffen. Die Studie schlägt den Einsatz der NIR Spektroskopie zur Bestimmung der geografischen Herkunft von Kaffee sowie zur Erkennung und Quantifizierung von Verfälschungen in geröstetem Kaffee vor. Die Ergebnisse deuten darauf hin, dass diese Methode ein vielversprechendes Instrument für die Kaffeeindustrie und andere legale Sektoren für Routineanwendungen zur Qualitätskontrolle von Kaffee sein könnte. In dieser Studie wird auch der Einsatz verschiedener spektroskopischer Methoden (NIR und Raman) zur Überwachung von Kaffeeröstprozessen vorgeschlagen. Die vorgestellten Ansätze können als wichtige Schritte zur Optimierung des Röstprozesses im industriellen Maßstab betrachtet werden, da sie es ermöglichen, wichtige Prozessentscheidungen unmittelbar zu treffen.