Imagen de campo claro de polen. Crédito:Él, Gkantiragas y Glowacki.
Un equipo de investigadores del Imperial College London y UCL ha desarrollado recientemente un nuevo método para autenticar la miel mediante el aprendizaje automático y la microscopía. Su técnica, descrito en un artículo publicado previamente en arXiv, podría detectar miel diluida o mal etiquetada a un costo mucho menor que los métodos existentes.
La miel es producida por las abejas después de recolectar el néctar de las flores. descomponerlo en azúcares simples y almacenarlo dentro de panales. La miel es actualmente el tercer producto alimenticio más falsificado a nivel mundial. A menudo está mal etiquetado, lo que implica vender un tipo de miel por otro, o se diluye con otras sustancias, como el jarabe de azúcar.
"La miel la hacen las abejas a partir de plantas, "Gerard Glowacki, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Las plantas tienen polen, y cada planta tiene un polen diferente. Si la miel de Manuka, por ejemplo, no tiene polen de Manuka o no tiene polen en absoluto, entonces no es miel de Manuka ".
La miel falsa cuesta mucho menos de producir, y esto puede afectar negativamente a los productores de miel genuina, obligándolos a reducir sus márgenes de beneficio o, a veces, a abandonar el mercado por completo. Además, Las prácticas de apicultura en la producción de miel falsa a menudo son inferiores a las prácticas en el cultivo de miel genuino. lo que puede resultar en el maltrato de las colonias de abejas. Los métodos efectivos y de bajo costo para autenticar la miel podrían ayudar a identificar la miel falsa rápidamente. para que se pueda retirar del mercado o volver a etiquetar correctamente.
"Melisopalinología, autenticar la miel de sus fuentes botánicas, ha existido durante unas buenas décadas, con reputación de ser un proceso lento y especializado, "Peter Él, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Pensamos que podríamos acelerar las cosas con un operador que no sufriera de cosas humanas como el cansancio, olvido y aburrimiento ".
Un diagrama que explica el sistema de autenticación de la miel. Crédito:Él, Gkantiragas y Glowacki.
Los métodos de autenticación de la miel más comúnmente empleados incluyen la reacción en cadena de la polimerasa cuantitativa (qPCR), espectroscopia de resonancia magnética nuclear (RMN), espectrometría de masas de cromatografía líquida (LC-MS), espectroscopía de infrarrojo cercano (NIR) y microscopía. Los investigadores también han desarrollado otras pruebas para la identificación de tipos específicos de miel, pero la mayoría de estos han demostrado hasta ahora ser ineficaces.
La técnica actual de vanguardia para autenticar la miel de manuka, un tipo de miel muy solicitado elaborado a partir del néctar de las flores de manuka y producido típicamente en Nueva Zelanda, se basa en cuatro marcadores químicos y el uso de una prueba para el ADN del polen de manuka. Este método, sin embargo, solo se puede usar para autenticar la miel de manuka y no es aplicable a otros tipos de miel.
La mayoría de los procedimientos de autenticación de la miel se llevan a cabo en laboratorios por especialistas y requieren equipo especializado, de ahí que a menudo sean muy caras. En su estudio, Glowacki, Él y su colega Alexis Gkantiragas desarrollaron un nuevo método para autenticar la miel utilizando microscopía aumentada por aprendizaje automático. que podría ser mucho más económico que los procedimientos existentes.
"Identificamos el polen en las muestras de miel utilizando técnicas estándar de aprendizaje profundo, "Explicó Gkantiragas." De esto, podemos aplicar enfoques más cuantitativos para analizar cosas como la distribución y densidad del polen. Entonces podemos identificar el origen geográfico y / o botánico de la miel ".
Los investigadores recolectaron muestras de diferentes tipos de miel y las esparcieron en portaobjetos de vidrio. Estos portaobjetos se cubrieron y analizaron con un microscopio de campo brillante, capturando aproximadamente 2500 imágenes microscópicas de polen.
La estación de trabajo de los investigadores, ya que estaban ejecutando una versión de bajo costo del sistema. Crédito:Él, Gkantiragas y Glowacki.
Después de etiquetar y anotar cuidadosamente estas imágenes, los investigadores los utilizaron para entrenar su modelo de aprendizaje automático. Su modelo consiste en una red de segmentación, entrenado para detectar y segmentar el polen, así como una red de autenticación, capacitados para clasificar diferentes tipos de miel.
"Actualmente es difícil distinguir la miel falsa de la verdadera, "Gkantiragas dijo." Las pruebas de azúcar se pueden engañar usando diferentes azúcares. La RMN es cara y necesita profesionales. Nuestro equipo cuesta dinero de bolsillo, es fácil de usar y tiene el potencial de implementarse a escala ".
En evaluaciones preliminares, los investigadores encontraron que su método de autenticación de la miel podía detectar de manera efectiva la miel diluida y mal etiquetada. Sin embargo, no puede identificar la contaminación con metales pesados, pesticidas o antibióticos, por lo tanto, podría ser necesario utilizarlo en combinación con otras pruebas químicas. Además, su método no se puede utilizar para autenticar muestras de miel ultrafiltradas en las que no hay polen.
Aunque los resultados recopilados por los investigadores son prometedores, su sistema debe desarrollarse más antes de que pueda aplicarse a mayor escala. Por ejemplo, los investigadores deben recopilar un conjunto de datos de polen más amplio para capturar mejor la diversidad de pólenes en la miel.
"Un paso importante para escalar el sistema de la investigación al mundo real sería robustecer el sistema para que sea independiente del hardware, "Explicó." Estamos mirando, entre otras cosas, métodos de entrenamiento contradictorio para garantizar que nuestras representaciones de funciones sean de primera categoría ".
Los investigadores planean continuar trabajando en su sistema para garantizar que pueda autenticar de manera efectiva la miel en escenarios del mundo real. En el futuro, incluso podrían considerar poner a prueba un esquema de certificación descentralizado basado en su tecnología.
© 2019 Science X Network
