基于卷积神经网络(CNN)的自动化花粉识别技术助力单花蜜分类研究

为解决传统人工鉴定单花蜜花粉耗时费力且存在主观偏差的问题，西班牙研究团队开发了POLLEN24_SP数据集（含32,285张花粉图像）并评估12种CNN模型性能。研究显示EfficientNetV2M模型准确率达98.03%，新开发的PolleNetV2系列网络在保持97.1%准确率的同时显著降低参数规模。该成果为蜂蜜真实性认证提供了高效自动化解决方案，相关数据集将遵循开放科学原则共享。

　　

在蜂蜜市场上，单花蜜因其独特风味和药用价值备受青睐，但"以次充好"的乱象却让消费者防不胜防。传统鉴定方法依赖显微镜下人工识别500粒以上花粉，不仅耗时8-10小时/样本，不同实验室对同款蜂蜜的检测结果差异可达20%——这种"人眼判读"的局限性，正成为欧盟农产品监管体系中的明显漏洞。

西班牙瓦伦西亚理工大学（Universitat Politècnica de València）的研究团队在《Ecological Informatics》发表的研究，构建了迄今最全面的西班牙蜂蜜花粉图像库POLLEN24_SP，包含24类32,285张光学显微镜图像。通过改进自主开发的HoneyApp标注系统，研究人员系统评估了12种卷积神经网络(CNN)，发现预训练模型EfficientNetV2M准确率最高达98.03%，而新设计的轻量化网络PolleNetV2.mobile仅18.4MB大小仍保持96.48%准确率。这项突破使得原本需要专家数小时的工作，现在通过手机应用就能快速完成，为打击蜂蜜掺假提供了关键技术支撑。

研究采用三大关键技术：1) 通过Zeiss Axiolab显微镜构建2464×2056分辨率的花粉图像库；2) 采用5折交叉验证评估VGG16/19、ResNet50等12种CNN架构；3) 开发含全局平均池化层的轻量化PolleNetV2.mobile网络。实验特别关注了Leguminoseae等易混淆花粉的识别难题，发现增加样本量可使分类准确率从60%提升至78%。

【材料与方法】
团队收集80份西班牙特色蜂蜜（含柑橘、迷迭香等11类单花蜜），由ISO 17025认证实验室专家通过HoneyApp标注24类花粉。图像增强采用180°旋转和10%缩放策略，显著提升模型鲁棒性。

【性能评估】
5折验证显示，标准CNN在POLLEN24_SP数据集平均准确率96.3-98.03%。引人注目的是，当测试集包含训练未见的12种新蜂蜜时，EfficientNetV2M对薰衣草蜜仍保持97.67%准确率，但对栗子蜜识别率降至91.35%，揭示模型泛化能力与花粉形态复杂度密切相关。

【分类误差分析】
主要误差来源有三类：1) 花粉重叠（如栗子蜜中Castanea sativa密集堆积）；2) 边缘残缺花粉；3) 形态近似的三角型花粉（如Leguminoseae与Prunus sp.）。值得注意的是，即使对困难样本，PolleNetV2对杏仁花粉识别仍达93.85%，显著优于其他网络。

这项研究实现了三大突破：首先，创建了首个覆盖西班牙主要蜜源植物的标准花粉数据集；其次，验证了CNN在复杂蜂蜜样本中的实用价值，其中EfficientNetV2M的98.03%准确率已接近人工专家水平；最重要的是开发的轻量化网络为移动端部署铺平道路。正如研究者强调，未来需重点解决Leguminoseae等复杂花粉的细分分类问题，同时扩大数据集至56种西班牙常见花粉类型。该成果不仅为蜂蜜行业提供了可靠的自动化质检工具，其方法论对大气孢粉学、过敏原监测等领域同样具有重要借鉴价值。