利用InceptionV3与背向散射成像(Backscattering Imaging)快速经济地检测掺杂杂种无刺蜂(Heterotrigona itama)蜂蜜

《Food Analytical Methods》:Rapid and Economical Detection of Adulterated Heterotrigona itama Honey Using InceptionV3 and Backscattering Imaging

【字体: 大 中 小 】 时间:2026年04月02日 来源:Food Analytical Methods 3.0

编辑推荐:

  摘要:蜂蜜中掺入廉价甜味剂是蜂蜜行业日益严重的问题,据估计市场上约80%的蜂蜜为假冒产品。亟需快速、可靠且经济高效的检测方法以保护消费者及生产者。本研究提出一种结合背向散射成像(Backscattering Imaging)与深度学习(Deep Learnin

  
摘要:蜂蜜中掺入廉价甜味剂是蜂蜜行业日益严重的问题,据估计市场上约80%的蜂蜜为假冒产品。亟需快速、可靠且经济高效的检测方法以保护消费者及生产者。本研究提出一种结合背向散射成像(Backscattering Imaging)与深度学习(Deep Learning)的非侵入性新方法,用于检测多花源无刺蜂(Heterotrigona itama)蜂蜜掺假。研究人员利用背向散射成像系统采集共1800幅蜂蜜散斑(Speckle)图像。实验分为三部分:A组于纯蜂蜜中添加1%玉米糖浆(Corn Syrup);B组按5%、10%及20%不同比例掺入玉米糖浆;C组采用多种掺假物混合掺杂,分别为30%玉米糖浆、15%米糖浆(Rice Syrup)及45%苹果醋(Apple Cider)。研究人员训练并评估三种卷积神经网络(Convolutional Neural Network, CNN)架构——VGG16、InceptionV3及ResNet34,以区分纯蜜与掺假样品。所测模型中InceptionV3表现最优,在实验C中各评价指标均达100%准确率,即使在最难检测的极低掺假水平(实验A,1%玉米糖浆)下亦保持较高准确率。结果表明,背向散射成像与InceptionV3的结合为蜂蜜真伪鉴定提供了一种快速、准确且经济的方法,可为高价值蜂蜜产品的纯度评估提供有效工具,并可进一步拓展应用于更广泛的食品质量控制领域。
论文解读:利用InceptionV3与背向散射成像快速检测无刺蜂(Heterotrigona itama)蜂蜜掺假
研究背景与意义
蜂蜜作为高营养价值天然产品常被不法分子掺入玉米糖浆、米糖浆及苹果醋等廉价甜味剂以牟利,市售蜂蜜掺假率估计高达约80%。传统检测手段如近红外(Near-Infrared, NIR)光谱、傅里叶变换红外(Fourier Transform Infrared, FTIR)光谱及高效液相色谱(High Performance Liquid Chromatography, HPLC)虽具一定精度,但存在仪器昂贵、需复杂样品前处理、依赖专业操作及耗时较长等局限,难以满足现场快速筛查需求。激光背向散射成像(Laser-induced Backscattering Imaging)凭借低成本硬件(激光二极管与CCD相机)、非破坏性、无需试剂及快速获取样品内部散射信息的特点,在食品质构与成分分析中已有应用,但尚未见其用于蜂蜜真伪鉴别。针对无刺蜂(Heterotrigona itama)多花源蜂蜜这一高价值特色产品,研究人员开展本研究以验证背向散射成像结合深度卷积神经网络检测单一及多种掺假物的可行性,成果发表于《Food Analytical Methods》。
关键技术方法
研究人员获取马来西亚Kelantan符合MS 2683:2017标准的纯无刺蜂(Heterotrigona itama)多花源蜂蜜,设三组掺假实验:A组(纯蜜+1%玉米糖浆,各100样本)、B组(纯蜜+5%/10%/20%玉米糖浆,各100样本共300)、C组(纯蜜+30%玉米糖浆+15%米糖浆+45%苹果醋混合掺假,300样本),共计1000份物理样品。样品38℃水浴均质后注入比色皿,采用658 nm、30 mW激光二极管与CCD相机(1392×1040像素,镜头f=18 mm,F5.6,样品距相机25 cm,入射角15°)在暗箱采集背向散射散斑(Speckle)图像,纯蜜及A组掺假样各摄三帧,B、C组各一帧,得1800幅图像构成平衡数据集。图像按8:2划分训练/验证集,采用迁移学习微调三种预训练CNN——VGG16、InceptionV3及ResNet34(本研使用ResNet34),末层改为二分类(纯蜜vs掺假),输入尺寸分别为224×224(VGG16、ResNet34)与299×299(InceptionV3),辅以批归一化(Batch Normalization)、数据增强(旋转、缩放、翻转)及随机梯度下降带动量(Stochastic Gradient Descent with Momentum, SGDM, lr=0.0001, momentum=0.9),以交叉熵损失函数训练,采用一对一其余(One-Versus-Rest)策略评估模型性能。
研究结果
Backscattering Image Acquisition
研究人员观察到纯蜂蜜背向散射散斑形态较平滑均匀,掺假样品散斑呈不规则且随掺假浓度升高及掺假种类不同而渐变,表明掺入物改变蜂蜜光学散射特性,肉眼难辨之细微差异可由CNN自动提取。
Evaluation of the Deep Learning Model Performance
三模型在三实验中表现呈InceptionV3 > VGG16 > ResNet34趋势。实验A(1%玉米糖浆):InceptionV3准确率(Accuracy)98.33%、精确率(Precision)97.96%、召回率(Recall)98.33%、F1值98.14%;VGG16为93.33%准确率;ResNet34仅70.83%。实验B(多浓度玉米糖浆):InceptionV3准确率99.17%,VGG16为95.00%,ResNet34为74.17%。实验C(多掺假物混合):InceptionV3四项指标均为100%,VGG16为96.67%,ResNet34为76.67%。混淆矩阵显示InceptionV3在A组仅错分2例,B组错分1例纯蜜,C组零误判。训练与验证准确率及损失曲线收敛且无明显gap,排除过拟合,证实模型具良好泛化能力。
讨论与结论翻译
研究比较三种CNN发现InceptionV3因含多尺度卷积滤波器(1×1、3×3、5×5)及分解卷积核(Inception Modules),可有效捕获背向散射图像中细微至粗粒度特征,故在极低掺假(1%玉米糖浆)及多掺假物并存情境下均表现卓越;VGG16虽较优但对纯蜜自然变异易致假阳性;ResNet34残差连接未在此纹理丰富散斑图上表现出优势。掺假浓度越低分类越难,多掺假源因类间可分性增强致准确率提升。背向散射成像结合InceptionV3为无刺蜂蜂蜜掺假检测提供快速(<5 min/样)、经济(估约10 USD/测试)、非破坏性方案,硬件可微型化为便携装置用于供应链现场初筛。未来需扩展至单花蜜及不同产地蜜验证普适性。
结论:本研究提出将背向散射成像与深度学习策略相结合,以快速、非破坏性及经济高效地检测多花源无刺蜂(Heterotrigona itama)蜂蜜中单一及多相掺假。共采集三个实验阶段1800幅背向散射散斑图像,应用CNN算法分析,结果表明InceptionV3显著优于ResNet34与VGG16——尤在涉及多变浓度多掺假物的复杂阶段。InceptionV3多尺度特征捕获能力对背向散射图像中广泛多样性与复杂性至关重要。背向散射成像与深度学习融合对无刺蜂蜂蜜掺假具高检测准确度,可有效识别玉米糖浆、米糖浆及苹果醋等常见掺假物,为蜂蜜真伪鉴定提供有前景的经济替代方案,并可拓展至其他食品基质类似检测挑战中。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号