Un equipo de investigadores en el Imperial College London y UCL han desarrollado recientemente un nuevo método para autenticar la miel mediante el aprendizaje automático y la microscopía. Su técnica, descrita en un artículo publicado previamente en arXiv, podría detectar miel diluida o mal etiquetada a un costo mucho menor que los métodos existentes.
Ingrid Fadelli, Tech Xplore
La miel es producida por las abejas después de que recolectan el néctar de las flores, lo descomponen en azúcares simples y lo almacenan dentro de los panales. La miel es actualmente el tercer producto alimenticio 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 está hecha de abejas a partir de plantas», dijo a TechXplore Gerard Glowacki, uno de los investigadores que llevaron a cabo el estudio. «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, no es la miel de Manuka».
La producción de miel falsa es significativamente menor, y esto puede afectar negativamente a los productores de miel genuina, obligándolos a reducir sus márgenes de ganancia o, a veces, a abandonar el mercado por completo. Además, las prácticas de apicultura en la producción de miel falsa a menudo son deficientes en comparación con las prácticas en el cultivo de miel genuina, 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, de modo que se pueda eliminar del mercado o reetiquetarse correctamente.
«La melisopalinología, que autentica la miel a partir de sus fuentes botánicas, ha existido durante unas cuantas décadas, con una reputación de ser un proceso lento y especializado», dijo a TechXplore Peter He, uno de los investigadores que llevó a cabo el estudio. «Pensamos que podríamos acelerar las cosas con un operador que no sufría de cosas humanas como el cansancio, el olvido y el aburrimiento».
Los métodos de autenticación de miel más comúnmente empleados incluyen la reacción cuantitativa en cadena de la polimerasa (qPCR), la espectroscopia de resonancia magnética nuclear (RMN), la cromatografía de líquidos por espectrometría de masas (LC-MS), la espectroscopia de infrarrojo cercano (NIR) y la microscopía. Los investigadores también han desarrollado otras pruebas para la identificación de tipos específicos de miel, pero hasta ahora la mayoría de ellas han demostrado ser ineficaces.
La técnica actual de última generación para autenticar la miel de manuka, un tipo de miel muy buscada hecha del néctar de flores de manuka y que se produce típicamente en Nueva Zelanda, se basa en cuatro marcadores químicos y el uso de una prueba para el ADN del polen manuka. Sin embargo, este método 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, por lo que a menudo son muy costosos. En su estudio, Glowacki, Él y su colega Alexis Gkantiragas desarrollaron un nuevo método para autenticar la miel utilizando microscopía aumentada de aprendizaje automático, que podría ser mucho más barata que los procedimientos existentes.
«Identificamos el polen en muestras de miel utilizando técnicas estándar de aprendizaje profundo», explicó Gkantiragas. «A partir de esto, podemos aplicar más enfoques cuantitativos para analizar cosas como la distribución y la densidad del polen. Luego podemos identificar el origen geográfico y / o botánico de la miel».
Los investigadores recolectaron muestras de diferentes tipos de miel y las distribuyeron en portaobjetos de vidrio. Estas diapositivas se cubrieron y analizaron con un microscopio de campo brillante, capturando aproximadamente 2500 imágenes microscópicas de polen.
Después de etiquetar y anotar cuidadosamente estas imágenes, los investigadores las utilizaron para entrenar su modelo de aprendizaje automático. Su modelo consiste en una red de segmentación, entrenada para detectar y segmentar el polen, así como una red de autenticación, entrenada para clasificar diferentes tipos de miel.
«Actualmente es difícil distinguir entre la miel real», dijo Gkantiragas. «Las pruebas de azúcar se pueden engañar utilizando azúcares diferentes. La RMN es costosa y necesita profesionales. Nuestro equipo cuesta dinero de bolsillo, es fácil de usar y tiene el potencial de implementarse a gran escala».
En las evaluaciones preliminares, los investigadores encontraron que su método de autenticación de miel podía detectar efectivamente la miel diluida y mal etiquetada. Sin embargo, no es capaz de identificar la contaminación con metales pesados, pesticidas o antibióticos, por lo que es posible que deba usarse en combinación con otras pruebas químicas. Además, su método no se puede usar para autenticar muestras de miel ultrafiltradas en las que no hay polen presente.
Si bien los resultados recopilados por los investigadores son prometedores, su sistema debe desarrollarse aún más antes de que se pueda aplicar a mayor escala. Por ejemplo, los investigadores necesitan 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 desde la investigación al mundo real sería fortalecer el sistema para que sea agnóstico al hardware», explicó. «Estamos analizando, entre otras cosas, los métodos de entrenamiento adverso para garantizar que nuestras representaciones de características sean de primera clase».
Los investigadores planean continuar trabajando en su sistema para garantizar que pueda autenticar efectivamente la miel en escenarios del mundo real. En el futuro, incluso podrían considerar pilotear un esquema de certificación descentralizado basado en su tecnología.
Leyenda foto principal: Imagen de campo brillante de polen. Crédito: Él, Gkantiragas y Glowacki.
Más información : Autenticación de la miel con aprendizaje automático microscopía de campo brillante. arXiv: 1901.00516 [cs.LG]. arxiv.org/abs/1901.00516