智慧城市网

      蜂蜜，这一珍贵的农产品，以其独te的风味和丰富的营养价值，在食品工业和传统医学领域中占据着举足轻重的地位，自古以来就被誉为天然的甜味瑰宝。然而，市场上蜂蜜的质量参差不齐、以次充好、掺假问题严重，这不仅损害了消费者的利益，也对蜂蜜产业的健康发展构成了威胁。FluorTron®多功能高光谱成像分析技术的出现，为蜂蜜的安全和质量检测提供了一种创新的解决方案。

      蜂蜜的品质检测鉴定是保障其安全和营养价值的关键。传统的检测方法往往耗时且可能破坏样品，而FluorTron®多功能高光谱成像分析技术的应用则为这一领域带来了革命性的变化。其通过无损、快速、灵敏的成像检测手段可准确地分析蜂蜜中的各种成分，从而有效分辨蜂蜜品质、精 准识别掺假蜂蜜以及高效区分蜂蜜原产地。

图1 左：FluorTron®多功能高光谱成像分析系统，右：数据采集过程中的蜂蜜样品

电导率预测：提高检测效率与准确性

      电导率作为蜂蜜的物理性质之一，可用于评估蜂蜜品质。在一项针对蜂蜜电导率的研究中，研究人员开发了一种基于可见近红外成像的蜂蜜电导率测量系统。该系统采用400-1000nm波长范围的高光谱相机，以透射模式捕获蜂蜜样品的光谱信息。通过偏蕞小二乘法和人工神经网络(PLS-ANN)相结合的方法，建立了波长选择和预测模型，从而实现了对蜂蜜电导率的快速无损测定。这一技术的应用不仅提高了检测效率，也保证了检测结果的准确性。

图2从左到右分别为利用PLSR（偏蕞小二乘）、ANN（人工神经网络）和PLS-ANN对蜂蜜EC（电导率）进行测量和预测，其中黑色对角线表示理想结果，蓝色圆圈表示训练样本的结果，红星表示预测模型的测试结果。可以发现PLSR建立的模型效果不理想，ANN的误差在可接受范围内，而PLS-ANN是蕞佳预测模型。

推进新西兰蜂蜜的欺诈检测新方法

      新西兰Mānuka蜂蜜因其高商业价值而成为掺假的主要目标。为了应对这一挑战，研究人员提出了一种结合高光谱成像（HSI）和基于GANomaly的单类分类方法来检测欺诈行为的新策略。本研究从5个新西兰品牌中收集了18个不同UMF分级（Mānuka蜂蜜独te的分级系统，主要基于蜂蜜中甲基乙二醛（Methylglyoxal, MGO）的含量来衡量麦卢卡蜂蜜中抗 菌活性的强度）的纯Mānuka蜂蜜样品进行模型训练，并在包括陈年蜂蜜和糖浆掺假蜂蜜在内的欺诈样品上进行了测试。结果表明，HSI与GANomaly方法相结合，实现了对所有测试样品100%的区分率，显著优于传统的检测技术。

图3 A)纯蜂蜜的光谱；B)欺诈蜂蜜的光谱；C)纯蜂蜜和欺诈蜂蜜的平均光谱；D)PCA 的3D分数图

高光谱成像技术在蜂蜜植物原产地分类中的应用

      蜂蜜的植物来源鉴定对于保护消费者利益和确保市场公平竞争至关重要。在一项创新研究中，研究人员利用高光谱成像技术，成功区分了来自11个不同生产商的21种植物来源的56种新西兰蜂蜜产品。研究中采用了随机森林（RF）、支持向量机（SVM）、多层感知器（MLP）和卷积神经网络（CNN）四种算法进行分类。结果显示，RF和SVM算法分别实现了98%和99%以上的准确率，有效区分了不同植物来源的蜂蜜。此外，研究还发现，即使标签相同，不同品牌的蜂蜜产品在光谱特征上也存在显著差异。

图4 不同植物学来源的光谱信号

图5 不同蜂蜜生产商品牌的光谱信号

紫外光激发生物荧光分析：检测蜂蜜成分

      蜂蜜的特殊风味特性和健康益处来源于它的碳水化合物、酚类物质、有机酸、挥发性化合物、维生素、蛋白质和氨基酸、矿物质、色素、蜡、花粉粒、酶等，不同的蜂蜜其成分及含量难以分辨，而FluorTron®多功能高光谱成像分析技术能对这些成分含量进行检测。EcoTech®实验室技术人员以三款椴树蜜（北方地区的特色蜜种，来源于椴树花蜜）和两款其他花蜜为实验对象，使用FluorTron®多功能高光谱成像分析系统通过对蜂蜜样品进行紫外光激发的生物荧光数据采集及分析，展现了其在蜂蜜品质鉴定中的非凡能力。

从左到右：蜂蜜样品RGB图像、F520荧光成像图、不同品质蜂蜜分类图和不同蜂蜜在紫外灯下400-1000nm的荧光光谱

      FluorTron®多功能高光谱成像分析技术具有非接触、非损伤、高通量、可视化等特点，相对于传统的化学评估方法具有巨大的优势，可采集样品空间维度及高光谱维度的信息，实现准确有效的食品品质分析检测，为蜂蜜及其他食品的安全与质量提供了强有力的保障，在确保消费者享受到真正的高品质蜂蜜的同时，还能够推动食品检测技术的进步，为食品安全与质量检测领域带来革命性的变革。

参考文献

Putro I S, Saputro A H, Imawan C. Electrical conductivity prediction system of honey using hyperspectral imaging[C]//2018 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI). IEEE, 2018: 487-491.

Saputro A H, Putro I S. Measurement system based on visible near infrared imaging for predicting honey electrical conductivity[C]//AIP Conference Proceedings. AIP Publishing, 2019, 2193(1).

Cheng J, Zhang G, Abdulla W, et al. Advancing fraud detection in New Zealand Mānuka honey: Integrating hyperspectral imaging and GANomaly-based one-class classification[J]. Food Bioscience, 2024: 104428.

Zhang G, Abdulla W. New Zealand honey botanical origin classification with hyperspectral imaging[J]. Journal of Food Composition and Analysis, 2022, 109: 104511.