Een team van onderzoekers van Imperial College London en UCL heeft onlangs een nieuwe methode ontwikkeld om honing te authenticeren met behulp van machine learning en microscopie. Hun techniek, geschetst in een paper dat vooraf is gepubliceerd op arXiv, zou verdunde of verkeerd gelabelde honing kunnen detecteren tegen veel lagere kosten dan bestaande methoden.

Honing wordt geproduceerd door bijen nadat ze nectar van bloemen hebben verzameld, breek het op in eenvoudige suikers en bewaar het in honingraten. Honing is momenteel wereldwijd het derde meest nagemaakte voedingsproduct. Het wordt vaak verkeerd gelabeld, wat inhoudt dat je de ene soort honing voor de andere moet verkopen, of wordt verdund met andere stoffen, zoals suikersiroop.

"Honing wordt gemaakt door bijen van planten, "Gerard Glowacki, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Planten hebben stuifmeel, en elke plant heeft een ander stuifmeel. Als Manuka honing, bijvoorbeeld, heeft geen Manuka-pollen of helemaal geen stuifmeel, dan is het geen Manuka-honing."

Namaakhoning kost aanzienlijk minder om te produceren, en dit kan nadelige gevolgen hebben voor producenten van echte honing, waardoor ze hun winstmarges moeten verlagen of soms zelfs de markt moeten verlaten. In aanvulling, bijenteeltpraktijken bij de productie van nephoning zijn vaak ondermaats in vergelijking met praktijken in de echte honingteelt, wat kan leiden tot mishandeling van bijenkolonies. Effectieve en goedkope methoden om honing te authenticeren kunnen helpen om nephoning snel te identificeren, zodat het uit de handel kan worden genomen of correct opnieuw kan worden geëtiketteerd.

"Melissopalynologie, het authenticeren van honing uit zijn botanische bronnen, bestaat al een paar decennia, met de reputatie een langzaam en specialistisch proces te zijn, "Peter He, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "We dachten dat we de zaken konden versnellen met een operator die geen last had van menselijke dingen zoals vermoeidheid, vergeetachtigheid en verveling."

De meest gebruikte authenticatiemethoden voor honing zijn onder meer kwantitatieve polymerasekettingreactie (qPCR), nucleaire magnetische resonantie spectroscopie (NMR), vloeistofchromatografie massaspectrometrie (LC-MS), nabij-infraroodspectroscopie (NIR) en microscopie. Onderzoekers hebben ook andere tests ontwikkeld voor de identificatie van specifieke soorten honing, maar de meeste hiervan zijn tot nu toe niet effectief gebleken.

De huidige state-of-the-art techniek om manuka honing te authenticeren, een veelgevraagde soort honing gemaakt van de nectar van manuka-bloemen en typisch geproduceerd in Nieuw-Zeeland, is gebaseerd op vier chemische markers en het gebruik van een test voor het DNA van manuka-pollen. Deze methode, echter, kan alleen worden gebruikt om manuka-honing te authenticeren en is niet van toepassing op andere soorten honing.

De meeste authenticatieprocedures voor honing worden in laboratoria uitgevoerd door specialisten en vereisen gespecialiseerde apparatuur, daarom zijn ze vaak erg duur. In hun studie hebben Glowacki, Hij en hun collega Alexis Gkantiragas ontwikkelden een nieuwe methode om honing te authenticeren met behulp van machine learning-augmented microscopie, die veel goedkoper zou kunnen zijn dan de bestaande procedures.

"We identificeren het stuifmeel in honingmonsters met behulp van standaard deep learning-technieken, " legde Gkantiragas uit. "Hieruit, we kunnen meer kwantitatieve benaderingen toepassen om zaken als de verspreiding en dichtheid van het stuifmeel te analyseren. We kunnen dan de geografische en/of botanische oorsprong van de honing identificeren."

De onderzoekers verzamelden monsters van verschillende soorten honing en verspreidden deze over glasplaatjes. Deze objectglaasjes werden afgedekt en geanalyseerd met behulp van een helderveldmicroscoop, het vastleggen van ongeveer 2500 microscopische beelden van stuifmeel.

Na het zorgvuldig labelen en annoteren van deze afbeeldingen, de onderzoekers gebruikten ze om hun machine learning-model te trainen. Hun model bestaat uit een segmentatienetwerk, getraind om stuifmeel te detecteren en te segmenteren, evenals een authenticatienetwerk, getraind om verschillende soorten honing te classificeren.

"Het is momenteel moeilijk om nep van echte honing te onderscheiden, " Zei Gkantiragas. "Het testen van suikers kan voor de gek gehouden worden door verschillende suikers te gebruiken. NMR is duur en heeft professionals nodig. Onze apparatuur kost zakgeld, is eenvoudig te gebruiken en kan op grote schaal worden ingezet."

Bij voorlopige evaluaties de onderzoekers ontdekten dat hun honingverificatiemethode effectief verdunde en verkeerd gelabelde honing kon detecteren. Echter, het is niet in staat om verontreiniging met zware metalen te identificeren, pesticiden of antibiotica, daarom moet het mogelijk worden gebruikt in combinatie met andere chemische tests. In aanvulling, hun methode kan niet worden gebruikt om ultragefilterde honingmonsters te authenticeren waarin geen stuifmeel aanwezig is.

Hoewel de door de onderzoekers verzamelde resultaten veelbelovend zijn, hun systeem moet verder worden ontwikkeld voordat het op grotere schaal kan worden toegepast. Bijvoorbeeld, de onderzoekers moeten een bredere pollendataset verzamelen om de diversiteit van pollen in honing beter vast te leggen.

"Een belangrijke stap in het opschalen van het systeem van onderzoek naar de echte wereld zou zijn om het systeem hardware-onafhankelijk te maken, "Hij legde uit. "We kijken naar, onder andere, vijandige trainingsmethoden om ervoor te zorgen dat onze functieweergaven van topkwaliteit zijn."

De onderzoekers zijn van plan door te gaan met het werken aan hun systeem om ervoor te zorgen dat het honing effectief kan verifiëren in echte scenario's. In de toekomst, ze zouden zelfs kunnen overwegen om een ​​gedecentraliseerd certificeringsschema te testen op basis van hun technologie.

© 2019 Wetenschap X Netwerk