Domingo 8 de setiembre de 2024
Aplicación de la espectroscopia Raman de desplazamiento espacial (SORS) y el aprendizaje automático para la detección de adulteración de jarabe de azúcar en la miel del Reino Unido
por 
, , , , y
Mennatullah Shehata
1 ,Sophie Dodd
1 ,Sara Mosca
2 ,Pavel Matousek
2 ,Bhavna Parmar
3 ,Zoltán Kevei
1 yMaría Anastasiadi
1,*1
Centro de Suelos, Agroalimentación y Biociencias, Universidad de Cranfield, College Road, Cranfield, Bedford MK43 0AL, Reino Unido
2
Instalación láser central, complejo de investigación de Harwell, laboratorio Rutherford Appleton de STFC, campus de UKRI en Harwell, Didcot OX11 0QX, Reino Unido
3
Agencia de Normas Alimentarias, Clive House, 70 Petty France, Westminster, Londres SW1H 9EX, Reino Unido
*
Autor a quien debe dirigirse la correspondencia.
Presentación recibida: 1 de julio de 2024 / Revisado: 22 de julio de 2024 / Aceptado: 26 de julio de 2024 / Publicado: 31 de julio de 2024
(Este artículo pertenece al Número Especial Aplicación de Big Data e Inteligencia Artificial en la Ciencia de los Alimentos: Práctica Actual y Direcciones Futuras )
Abstracto
La autenticación de la miel es un proceso complejo que tradicionalmente requiere técnicas analíticas costosas y que consumen mucho tiempo, que no están fácilmente disponibles para los productores. Este estudio tuvo como objetivo desarrollar métodos de sensores no invasivos junto con un análisis de datos multivariados para detectar el tipo y el porcentaje de adulteración de azúcar exógena en mieles del Reino Unido. Se empleó la espectroscopia Raman de desplazamiento espacial a través del contenedor (SORS) en 17 tipos diferentes de mieles naturales producidas en el Reino Unido durante una temporada. Luego, estas muestras se enriquecieron con jarabes de arroz y remolacha azucarera en niveles de 10 %, 20 %, 30 % y 50 % p / p . Los datos adquiridos se utilizaron para construir modelos de predicción para 14 tipos de miel con huellas digitales Raman similares utilizando diferentes algoritmos, a saber, PLS-DA, XGBoost y Random Forest, con el objetivo de detectar el nivel de adulteración por tipo de jarabe de azúcar. El algoritmo de clasificación con mejor rendimiento fue Random Forest, con solo el 1% de las mieles puras clasificadas erróneamente como adulteradas y <3,5% de las muestras de miel adulterada clasificadas erróneamente como puras. Random Forest se empleó además para crear un modelo de clasificación que clasificó con éxito las muestras según el tipo de adulterante (arroz o remolacha azucarera) y el nivel de adulteración. Además, se recogieron espectros SORS de 27 muestras de miel de brezo (24 Calluna vulgaris y 3 Erica cinerea ) producida en el Reino Unido y las submuestras correspondientes enriquecidas con jarabe de caña de azúcar con alto contenido de fructosa, y se realizó un análisis de datos exploratorio con PCA y una clasificación con Random Forest, ambos mostrando una clara separación entre las muestras puras y adulteradas en niveles de adulteración medio (40%) y alto (60%) y un 90% de éxito en niveles de adulteración bajos (20%). Los resultados de este estudio demuestran el potencial de SORS en combinación con el aprendizaje automático para ser aplicado a la autenticación de muestras de miel y la detección de azúcares exógenos en forma de jarabes de azúcar. Una de las principales ventajas de la técnica SORS es que se trata de un método rápido, no invasivo, que se puede implementar en el campo y que tiene potencial de aplicación en todas las etapas de la cadena de suministro....
https://www.mdpi.com/2304-8158/13/15/2425#B4-foods-13-02425
No hay comentarios:
Publicar un comentario