Разработан метод машинного обучения для выявления фальшивого меда

Команда исследователей из Имперского и Университетского колледжей Лондона разработали новый метод определения подлинности меда с помощью микроскопии и алгоритма машинного обучения.

Подход позволяет выявить разбавленный или контрафактный продукт с меньшими расходами, чем существующие методики, сообщает techxplore.com. Результаты исследования представлены на портале arXiv.

Мед – смесь простых сахаров, на которые пчелы расщепляют собранный нектар. Сегодня он является третьим наиболее часто подделываемым продуктом питания в мире. Производители вносят неправильную информацию на этикетки, выдавая один мед за другой. Или разбавляют его другими веществами, вроде сахарного сиропа.

«Это – продукт из растительного сырья, — сказал один из исследователей, Джерард Гловаки, в интервью для TechXplore. – Каждый цветок имеет свою пыльцу. Если мед из манука, например, не содержит компонентов этого растения, то он и не может называться медом манука».

Для определения подлинности и происхождения продукта десятилетиями используется мелиссопалинология. Но метод занимает много времени, требует дорогого оборудования и участия квалифицированных специалистов. Это касается и других подходов, вроде ядерной магнитно-резонансной спектроскопии. Некоторые анализы рассчитаны только на определенные типы меда.

Говаки с коллегой, Алексис Гкантирагас, разработали новый подход, основанный на машинном обучении. Он может стать дешевой альтернативой существующим процедурам.

«Мы идентифицировали пыльцу с помощью стандартных глубоких нейронных сетей, — объяснил второй специалист. – Исходя из этого, мы можем применять больше количественных подходов для анализа таких факторов, как распределение и плотность пыльцы. Это позволяет определить географическое и биологическое происхождение меда».

Исследователи нанесли различные типы образцов на предметные стекла. Их изучили в светлопольном микроскопе, получив около 2500 изображений пыльцы. После пометки и описания, их загрузили в программу, включающую сегментирующую и опознавательные сети, обученные определять и классифицировать разные типы меда. Тесты показали, что алгоритм эффективно выявляет разбавленные и неправильно маркированные продукты. Но он не может обнаружить загрязнение тяжелыми металлами, пестицидами и антибиотиками, в связи с чем программу нужно будет использовать в сочетании с другими техниками. Алгоритм также не предназначен для меда после ультрафильтрации, не содержащего пыльцы.

Авторы признают, что система должна быть доработана перед выходом на рынок. Но она уже, по их мнению, имеет большой потенциал в определении качества меда.