Technologies de détection hybrides pour l'évaluation de la qualité des grains de café : impédancemétrie et spectrométrie de masse en phase gazeuse // Olfactory Response of coffee Beans based Impedance sensing and Tandem Mass spectrometry: Hybrid sensing t

Coffee quality assessment is a major scientific, economic, and societal challenge, as coffee is one of the most widely traded agricultural commodities worldwide. The quality of green and roasted coffee has a direct influence on market value, consumer perception, and the overall sustainability of the coffee supply chain. Quality variability arises from a complex interplay of factors, including plant physiology, storage conditions, microbial contamination, and environmental stress conditions. The global coffee industry represents a market of several hundred billion euros annually, with quality grading playing a central role in price determination. Producing regions are increasingly exposed to climate variability, which affects bean composition and aroma profiles, while consumers demand higher and more consistent sensory quality. Consequently, there is a growing need for rapid, objective, and valuable intelligent tools capable of assessing coffee quality throughout the production chain, from farm to cup.
The main objective of the ORBIT project is the development of a multi-sensory platform capable of simultaneously discriminating multiple chemical markers indicative related to coffee quality, defect signatures, and authenticity, including the identification of blends and non-authentic samples. These markers are related to VOCs associated with aroma, freshness, processing methods, contamination, and aging. The project focuses on the design, fabrication, and
characterization of flexible impedimetric sensor arrays using low-cost methods and organic functional materials. A key challenge lies in achieving sensitive and reproducible detection of low concentrations of VOCs within complex chemical environments. Coffee VOCs originate from diverse biochemical pathways and include aldehydes, alcohols, esters, ketones, furans, phenolic compounds, and sulfur-containing species. Their relative concentration evolves dynamically depending on processing and storage conditions. The project therefore aims to develop a sensory system capable not only of detecting individual compounds, but also of capturing multivariate signatures that reflect overall quality states. Another major challenge concerns data interpretation. The large volume of data generated by multi-sensor arrays requires advanced signal processing and machine learning strategies to extract relevant features, cluster responses, and quantify quality-related patterns. The integration of embedded intelligence is essential to enable real-time decisionmaking and autonomous operation.
The study will focus in particular on wetprocessing deposition techniques for organic materials. Two multi-material cointegration approaches will be considered: a top-down approach (via drop casting) and a bottom-up approach (via electro-grafting). The materials of interest will mainly
involve conductive polymers formulated with additives designed to optimize the chemo-specificity of the material through the incorporation of complexing compounds. These compounds will rely on fast, reversible chemistry, enabling sensor self-regeneration under operating conditions. They will include electron-acceptor species (Lewis's acids). Particular attention will be paid to the
environmental footprint of the materials employed, guiding their selection for integration into a functional detection platform (e.g., porphyrins and metalloporphyrins will be considered as key functional materials due to their strong molecular recognition capabilities). The electrical characterization of the sensors under various conditions (laboratory and real-world environments), together with the implementation of machine-learning algorithms for data processing, clustering, and quantification of target molecules, will be investigated within the scope of this project.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

L'objectif principal du sujet de thèse ORBIT est le développement d'une plateforme multisensorielle capable de discriminer simultanément plusieurs marqueurs chimiques liés à la qualité du café, aux signatures de défauts et à l'authenticité, incluant l'identification des mélanges et des échantillons non authentiques. Ces marqueurs sont liés aux composés organiques volatils (COV) associés à l'arôme, à la fraîcheur, aux méthodes de transformation, à la contamination et au vieillissement. Le projet se concentre sur la conception, la fabrication et la caractérisation de réseaux de capteurs impédimétriques flexibles, réalisés à l'aide de méthodes à faible coût et de matériaux fonctionnels organiques.
Un défi majeur réside dans la détection sensible et reproductible de faibles concentrations de COV dans des environnements chimiques complexes. Les COV du café proviennent de diverses voies biochimiques et comprennent des aldéhydes, des alcools, des esters, des cétones, des furanes, des composés phénoliques et des espèces soufrées. Leur concentration relative évolue dynamiquement en fonction des conditions de transformation et de stockage. Le projet vise donc à développer un système sensoriel capable non seulement de détecter des composés individuels, mais aussi de capturer des signatures multivariées reflétant les états globaux de qualité.
Un autre défi majeur concerne l'interprétation des données. Le volume important de données généré par les réseaux de capteurs multisensoriels nécessite des stratégies avancées de traitement du signal et d'apprentissage automatique afin d'extraire les caractéristiques pertinentes, de regrouper les réponses et de quantifier les motifs liés à la qualité. L'intégration d'une intelligence embarquée est essentielle pour permettre une prise de décision en temps réel et un fonctionnement autonome.
L'étude se concentrera en particulier sur les techniques de dépôt par voie humide pour les matériaux organiques. Deux approches de co-intégration multi-matériaux seront considérées : une approche descendante, par dépôt goutte à goutte (*drop casting*), et une approche ascendante, par électro-greffage. Les matériaux d'intérêt impliqueront principalement des polymères conducteurs formulés avec des additifs destinés à optimiser la chimio-spécificité du matériau grâce à l'incorporation de composés complexants.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Université de Lille

632 ENGSYS Sciences de l'ingénierie et des systèmes

Electronique Organique Systèmes électroniques Programmation Python Réalisation de cartes électroniques PCB Capteurs
Organic electronics Electronic systems Python Printed circuit board Sensors