In this study, the use of Laser Induced Breakdown Spectroscopy (LIBS), in combination with machine learning algorithms, is presented for the classification of honey samples based on their botanical origin, as well as the detection of glucose and fructose adulteration rates.
In total, 274 honey samples were studied in order to classify them according to their botanical origin adulteration rate. Specifically, the samples studied belonged to the botanical origins of Heather, Thyme, Multifloral, Pine and Pine-Thyme. Initially, emission spectra were obtained on these samples using the LIBS technique, from which the main spectral features corresponding to the mineral content of the samples (i.e. Mg, Ca, K, Na) were extracted. Of the 274 samples, 153 samples were adulterated with glucose, fructose and glucose-fructose mixture at adulteration percentages ranging from 5 to 90 %. Machine learning algorithms were used to study the LIBS spectroscopic data collected from the study of honey samples, through which adulteration was detected and classified based on the percentage of adulteration, and segregated based on the botanical origin of the samples. The algorithmic training and prediction accuracies exceeded 91%, enabling the models studied to be used to draw analytical conclusions regarding adulteration and botanical origin of honey samples.
The study presented in this paper highlights the potential of the LIBS technique for rapid analysis of honey samples without any sample preparation, yielding significant results for the classification of honey samples and adulterated honey samples based on botanical origin and adulteration rate. Thus, the LIBS technique, becomes as one of the most effective methods for the study of large number of samples, in a short period of time, which in combination with machine learning is a promising technique for food analysis and quality control.
Στην παρούσα εργασία, παρουσιάζεται η χρήση της φασματοσκοπίας πλάσματος επαγόμενου από λέιζερ (Laser Induced Breakdown Spectroscopy – LIBS), σε συνδυασμό με αλγόριθμους μηχανικής μάθησης, για την ταξινόμηση δειγμάτων μελιού με βάση την βοτανική τους προέλευση, καθώς και την ανίχνευση ποσοστών νόθευσής τους με γλυκόζη και φρουκτόζη.
Συνολικά, μελετήθηκαν 274 δείγματα μελιού, προκειμένου να ταξινομηθούν με βάση την βοτανική προέλευσή τους και το ποσοστό νόθευσης. Συγκεκριμένα, τα δείγματα που μελετήθηκαν, ανήκαν στις βοτανικές προελεύσεις Ερείκης, Θυμαριού, Ανθόμελου (Πολυανθικό), Πεύκου και Πεύκου-Θυμαριού. Αρχικά, στα δείγματα αυτά λήφθηκαν φάσματα εκπομπής μέσω της τεχνικής LIBS, από τα οποία εξήχθησαν τα κυριότερα φασματικά χαρακτηριστικά, που αντιστοιχούσαν στο ανόργανο περιεχόμενο των δειγμάτων (δηλαδή Mg, Ca, K, Na). Από τα 274 δείγματα τα 153 ήταν νοθευμένα με γλυκόζη, φρουκτόζη και μίγμα γλυκόζης-φρουκτόζης σε ποσοστά νόθευσης από 5 έως 90 %. Για την μελέτη των φασματοσκοπικών δεδομένων LIBS που συλλέχθηκαν από την μελέτη των δειγμάτων μελιού, χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης, μέσω των οποίων έγινε ανίχνευση της νόθευσης και ταξινόμηση βάσει του ποσοστού αυτής, καθώς και διαχωρισμός με βάση την βοτανική προέλευση των δειγμάτων. Οι αλγοριθμικές ακρίβειες εκπαίδευσης και πρόβλεψης ξεπερνούν το 91%, δίνοντας την δυνατότητα χρήσης των μοντέλων που μελετήθηκαν, για την εξαγωγή αναλυτικών συμπερασμάτων όσον αφορά την νόθευση και την βοτανική προέλευση των δειγμάτων μελιού.
Η μελέτη που παρατίθεται στην παρούσα εργασία, αναδεικνύει την δυνατότητα της τεχνικής LIBS για ταχεία ανάλυση δειγμάτων μελιού, χωρίς καμία προετοιμασία δείγματος, αποφέροντας σημαντικά αποτελέσματα για την ταξινόμηση των δειγμάτων και των νοθευμένων δειγμάτων μελιού, βάσει βοτανικής προέλευσης και ποσοστού νόθευσης. Έτσι, η τεχνική LIBS, καθίσταται ως μία από τις πιο αποτελεσματικές μεθόδους για την μελέτη μεγάλου αριθμού δειγμάτων, σε σύντομο χρονικό διάστημα, που σε συνδυασμό με την μηχανική εκμάθηση αποτελεί μια πολλά υποσχόμενη τεχνική για την ανάλυση και τον ποιοτικό έλεγχο των τροφίμων.
University of Patras
