Forskere udvikler en maskinlæringsmetode til at identificere falsk honning

Et team af forskere ved Imperial College London og UCL har for nylig udviklet en ny metode til at autentificere honning ved hjælp af maskinlæring og mikroskopi. Deres teknik, skitseret i et papir, der er forududgivet på arXiv, kunne opdage fortyndet eller forkert mærket honning til en langt lavere pris end eksisterende metoder.

Honning produceres af bier efter at de har indsamlet nektar fra blomster, bryd det ned i simple sukkerarter og gem det i honningkager. Honning er i øjeblikket det tredje mest forfalskede fødevareprodukt på verdensplan. Det er ofte forkert mærket, hvilket indebærer salg af en type honning for en anden, eller fortyndes det med andre stoffer, såsom sukkerlage.

"Honning er lavet af bier fra planter, "Gerard Glowacki, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Planter har pollen, og hver plante har forskellige pollen. Hvis Manuka honning, for eksempel, har ingen Manuka-pollen eller slet ingen pollen, så er det ikke Manuka honning."

Falsk honning koster betydeligt mindre at producere, og dette kan påvirke producenter af ægte honning negativt, tvinger dem til at sænke deres fortjenstmargener eller nogle gange til at forlade markedet helt. Ud over, biavlspraksis i produktionen af ​​falsk honning er ofte underordnet i forhold til praksis inden for ægte honningavl, hvilket kan resultere i mishandling af bikolonier. Effektive og billige metoder til at autentificere honning kunne hjælpe med at identificere falsk honning hurtigt, så det kan fjernes fra markedet eller ommærkes korrekt.

"Melissopalynologi, autentificere honning fra dens botaniske kilder, har eksisteret i et par årtier, med ry for at være en langsom og specialistproces, "Peter han, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Vi troede, at vi ville være i stand til at fremskynde tingene med en operatør, der ikke led af menneskelige ting som træthed, glemsomhed og kedsomhed."

De mest almindeligt anvendte honningautentificeringsmetoder omfatter kvantitativ polymerasekædereaktion (qPCR), kernemagnetisk resonansspektroskopi (NMR), væskekromatografi massespektrometri (LC-MS), nær-infrarød spektroskopi (NIR) og mikroskopi. Forskere har også udviklet andre test til identifikation af specifikke typer honning, men de fleste af disse har indtil videre vist sig at være ineffektive.

Den nuværende state-of-the-art teknik til at autentificere manuka honning, en meget eftertragtet type honning fremstillet af nektar fra manuka-blomster og typisk produceret i New Zealand, er baseret på fire kemiske markører og brugen af ​​en test for DNA fra manuka pollen. Denne metode, imidlertid, kan kun bruges til at autentificere manuka honning og er ikke anvendelig til andre typer honning.

De fleste honningautentificeringsprocedurer udføres i laboratorier af specialister og kræver specialiseret udstyr, derfor er de ofte meget dyre. I deres undersøgelse, Glowacki, Han og deres kollega Alexis Gkantiragas udviklede en ny metode til at autentificere honning ved hjælp af maskinlæringsmikroskopi, som kunne være langt billigere end eksisterende procedurer.

"Vi identificerer pollen i honningprøver ved hjælp af standard deep learning-teknikker, " Gkantiragas forklarede. "Udfra dette, vi kan anvende mere kvantitative tilgange til at analysere ting såsom fordelingen og tætheden af ​​pollen. Vi kan derefter identificere honningens geografiske og/eller botaniske oprindelse."

Forskerne indsamlede prøver af forskellige typer honning og spredte dem over glasglas. Disse objektglas blev dækket og analyseret ved hjælp af et lysfeltmikroskop, optager cirka 2500 mikroskopiske billeder af pollen.

Efter omhyggeligt at have mærket og kommenteret disse billeder, forskerne brugte dem til at træne deres maskinlæringsmodel. Deres model består af et segmenteringsnetværk, trænet til at detektere og segmentere pollen, samt et autentificeringsnetværk, trænet til at klassificere forskellige typer honning.

"Det er i øjeblikket svært at skelne falsk fra ægte honning, " sagde Gkantiragas. "Sukkertest kan narre ved at bruge forskellige sukkerarter. NMR er dyrt og har brug for fagfolk. Vores udstyr koster lommepenge, er ligetil at bruge og har potentiale til at blive implementeret i stor skala."

I foreløbige evalueringer, forskerne fandt ud af, at deres honninggodkendelsesmetode effektivt kunne detektere fortyndet og forkert mærket honning. Imidlertid, det er ude af stand til at identificere forurening med tungmetaller, pesticider eller antibiotika, derfor skal den muligvis bruges i kombination med andre kemiske tests. Ud over, deres metode kan ikke bruges til at autentificere ultrafiltrerede honningprøver, hvori der ikke er pollen.

Selvom resultaterne indsamlet af forskerne er lovende, deres system skal udvikles yderligere, før det kan anvendes i større skala. For eksempel, forskerne skal indsamle et bredere pollendatasæt for bedre at kunne fange mangfoldigheden af ​​pollen i honning.

"Et vigtigt skridt i at skalere systemet fra forskning til den virkelige verden ville være at robustgøre systemet til at være hardware-agnostisk, " Han forklarede. "Vi kigger på, blandt andet, modstridende træningsmetoder for at sikre, at vores funktionsrepræsentationer er i top."

Forskerne planlægger at fortsætte med at arbejde på deres system for at sikre, at det effektivt kan autentificere honning i virkelige scenarier. I fremtiden, de kunne endda overveje at pilotere en decentraliseret certificeringsordning baseret på deres teknologi.

© 2019 Science X Network