基于UV-VIS-NIR光谱与机器学习的孟加拉国蜂蜜无损掺假检测及植物源分类研究

针对蜂蜜掺假威胁食品安全和消费者信任的全球性问题，研究人员采用UV-VIS-NIR光谱（200-900 nm）结合机器学习算法（RF/SVM/SIMCA），开发了可同时鉴定四种孟加拉蜂蜜植物源（Wild/Blackseed/Mustard/Rubber）及检测三种掺杂物（玉米糖浆/葡萄糖浆/焦糖色素）的无损检测框架。RF模型在植物源分类（100%）、掺假检测（99%）和掺杂物识别（100%）中表现最优，为食品真实性验证提供了高效解决方案。

　　

蜂蜜作为天然甜味剂，其高营养价值和经济价值催生了猖獗的掺假行为。全球蜂蜜市场规模已达90.1亿美元，但掺假手段如添加廉价糖浆（玉米糖浆/葡萄糖浆）和着色剂（焦糖色素）严重损害产品品质。传统检测方法如色谱分析和稳定同位素比率分析虽准确，但存在成本高、耗时长等缺陷，难以满足大规模筛查需求。孟加拉作为新兴蜂蜜市场，亟需开发快速、精准的检测技术。

针对这一挑战，孟加拉农业大学的研究团队创新性地将紫外-可见-近红外（UV-VIS-NIR）光谱技术与机器学习相结合，对四种本土蜂蜜（野生/黑籽/芥菜/橡胶花蜜）及三种常见掺假物开展系统研究。通过优化光谱预处理（Savitzky-Golay滤波/IModPoly基线校正）和特征工程（PCA关键波长提取），构建了多任务分类模型，相关成果发表于《LWT》。

关键实验方法
研究采集180个样本（4种蜂蜜×3种掺假物×4浓度梯度×3重复），使用PerkinElmer Lambda 365+光谱仪获取200-900 nm范围吸光度数据。通过PCA确定特征波长（植物源分类350-450 nm，掺假检测200-600 nm，掺杂物识别596-605 nm），采用随机森林（RF）、支持向量机（SVM）和软独立建模分类法（SIMCA）构建分类模型，10折交叉验证评估性能。

研究结果

1. 蜂蜜植物源分类
PCA在350-450 nm区间实现四种蜂蜜的完全分离（PC1方差贡献74.49%）。RF/SVM/SIMCA均达到100%分类准确率，其中黑籽蜜因高UV吸收（200-400 nm）与野生蜜（350 nm特征峰）形成显著差异。

2. 掺假检测性能
200-600 nm光谱区间对掺假敏感，RF模型表现最优（准确率99%），能识别低至1%的掺假浓度。焦糖色素在400-600 nm引起吸光度上升，而糖浆类掺假导致UV区（200-400 nm）信号衰减。

3. 掺杂物鉴别
596-605 nm波长对掺杂物区分至关重要，RF模型实现100%准确率。PCA载荷分析显示焦糖色素在596-605 nm有特异性吸收，与糖浆类形成明显区分（PC1方差76.89%）。

4. 理化特性验证
CIE Lab色度参数中，黑籽蜜的L值（27.10±2.8）显著低于其他品种，与光谱分析结果高度吻合。粘度（橡胶花蜜4.1 Pa·s）和电导率（黑籽蜜1.2 mS/cm）等参数为模型提供辅助验证。

结论与意义
该研究首次建立覆盖蜂蜜植物源鉴定-掺假筛查-掺杂物识别的全流程检测体系。RF模型在三个分类任务中均展现卓越性能，其优势在于：
1）处理高维光谱数据时自动选择特征波长；
2）集成学习机制降低过拟合风险；
3）对微小浓度梯度（1%掺假）保持高灵敏度。

研究创新点在于：
• 提出350-450 nm/596-605 nm等关键光谱窗口的普适性筛选标准
• 实现单模型多任务检测，突破传统方法单一靶标局限
• 为发展中国家食品监管提供低成本解决方案（设备成本<5万美元）

尽管环境因素（温度/湿度）可能影响光谱稳定性，但通过Savitzky-Golay滤波等预处理可有效抑制干扰。该技术框架可扩展至其他易掺假食品（如橄榄油/乳制品），未来结合便携式光谱仪和边缘计算设备，有望实现市场现场检测。研究团队建议后续开展跨国多中心验证，并开发解释性AI模块以增强监管透明度。