Detección rápida de adulteración de miel mediante aprendizaje automático en datos de sensores de gas
La miel ha sido desde hace mucho tiempo un componente esencial de la nutrición humana, valorada por sus beneficios para la salud y su importancia económica. Sin embargo, la adulteración de la miel plantea un reto importante, ya sea mediante la adición de edulcorantes o la mezcla de miel monofloral de alto valor con variedades multiflorales de menor calidad. Los métodos de detección tradicionales, como el análisis melisopalinológico y la cromatografía, suelen ser lentos y costosos. Este estudio propone un enfoque basado en inteligencia artificial que utiliza el sensor de gas BME688 para detectar la adulteración de la miel con rapidez y precisión, expresan MİLLİ, M., SÖYLEMEZ MİLLİ, N. y PARLAK, İ.H. El sensor captura la composición gaseosa de las mezclas de miel, creando una huella digital única que puede analizarse mediante técnicas de aprendizaje automático. Los resultados experimentales demuestran que el método propuesto puede detectar la adulteración con alta precisión, distinguiendo mezclas de miel con una resolución de hasta el 5 %. Los hallazgos sugieren que este enfoque puede proporcionar una solución fiable, eficiente y escalable para el control de calidad de la miel, reduciendo la dependencia de análisis expertos y costosos procedimientos de laboratorio.
La detección de la adulteración de la miel se ha investigado exhaustivamente mediante diversas técnicas analíticas debido a sus importantes implicaciones económicas y sanitarias. Métodos tradicionales como el análisis melisopalinológico, la cromatografía y las técnicas espectroscópicas (NIR, FTIR, Raman y RMN) se emplean ampliamente para determinar el origen botánico y la composición de la miel. Estos métodos pueden identificar eficazmente la presencia de edulcorantes extraños, como la glucosa y el jarabe de maíz, y marcadores químicos específicos indicativos de adulteración. Sin embargo, a menudo requieren equipos de laboratorio costosos, personal altamente capacitado y largos tiempos de procesamiento, lo que los hace poco prácticos para el control de calidad de alimentos a gran escala.
En este estudio, se utilizó el sensor BME688, lanzado por Bosch Sensortec en 2021, para recopilar datos instantáneos sobre la concentración de gases en el entorno. El sensor BME 688 puede crear una identidad única, es decir, una huella digital, de la concentración de gases en su entorno. Este sensor, capaz de detectar diversos gases en el entorno de medición, se utiliza para diversos fines en numerosas aplicaciones industriales.
Para ello, se mezcló miel de castaño monofloral, de alto valor comercial, con miel multifloral en proporciones específicas, y se analizó la composición gaseosa de estas mezclas. El sensor BME688 se utilizó para generar una huella olfativa digital de cada muestra, que posteriormente se procesó mediante algoritmos de aprendizaje automático para clasificar las mezclas de miel y detectar la adulteración.
Los resultados de este estudio demuestran que un enfoque basado en IA que utiliza sensores de gas puede proporcionar una solución fiable, práctica y escalable para la autenticación de la miel. Este método reduce la dependencia del análisis químico tradicional y la interpretación experta, y ofrece una alternativa más rápida y eficiente a los métodos clásicos. Además, contribuye al desarrollo de sistemas de evaluación de la calidad de los alimentos basados en IA, que pueden ampliarse a otros productos alimenticios en futuras investigaciones.
Tras examinar todos los resultados, se puede concluir que el sensor BME688 es una herramienta fiable y eficaz para detectar la adulteración en la miel de castaño. El estudio demostró que incluso una adulteración del 5 % se puede identificar con precisión. Produce resultados fiables en aproximadamente 20 minutos. A diferencia de los métodos convencionales, este método reduce la dependencia de la interpretación experta y proporciona una solución escalable basada en IA.
A pesar de sus ventajas, el estudio también presenta ciertas limitaciones. El entrenamiento de modelos, el preprocesamiento de datos y la optimización de parámetros en sistemas basados en IA requieren procesos complejos y laboriosos.
El sensor BME688 es sensible a factores ambientales como la humedad y la temperatura, lo que requiere una calibración cuidadosa y condiciones de medición controladas. Asimismo, la composición química de la miel puede variar debido a factores estacionales y geográficos, similares a los desafíos del análisis sensorial y químico. Por lo tanto, ampliar el conjunto de datos con diferentes tipos de miel de diversas regiones es crucial para mejorar la generalización del modelo. De lo contrario, la tasa de falsos positivos/negativos puede aumentar significativamente y pueden producirse resultados negativos en aplicaciones del mundo real. Asimismo, los métodos basados en sensores aún no están estandarizados al mismo nivel que los análisis químicos tradicionales, lo que requiere mayor validación y perfeccionamiento para su adopción generalizada.
Entorno de laboratorio: mezclas de miel, ubicación de los sensores.
