Clasificación de mieles monoflorales mediante el uso de impedancia eléctrica y nariz electrónica

Abstract

La normativa que regula el mercado europeo de la miel considera, entre otros aspectos, que la miel puede verse etiquetada con indicaciones que hagan referencia a su origen vegetal y geográfico. Actualmente no existe ningún criterio en la legislación que obligue a denominar floralmente una miel. Esta falta de concreción en las normativas, ha llevado a considerar en las últimas décadas una miel como monofloral cuando el porcentaje de representación de un tipo polínico es superior al 45%. Este “vacío legal” dificulta, no solo la aplicación de acciones de control en materia de calidad sobre el origen floral, sino que en ocasiones mieles genuinamente monoflorales españolas son rechazadas por laboratorios europeos, al contrastar los resultados analíticos obtenidos, con una base de datos histórica de analíticas, en la que las características propias de las mieles españolas no se encuentran bien representadas. En esta tesis doctoral se muestran dos casos de estudio relacionados con la caracterización del tipo de miel en base a su origen floral. Un primer estudio [1] en el que se utilizó un medidor de impedancia eléctrica de bajo coste, obteniéndose 101 muestras (Resistencia (R) versus Reactancia (X)), con un barrido de frecuencia entre un 1 Hz y25 MHz en todas las mieles analizadas, demostrándose que mediante el uso de una red neuronal multicapa entrenada a partir de estos datos, es posible clasificar con una precisión del 100% cada una de las muestras analizadas y con ello determinar de forma rápida y fácil el origen floral de la miel sin necesidad de emplear los datos físicoquímicos habituales o modelos eléctricos equivalentes. En este trabajo se ha medido la impedancia eléctrica de un total de siete muestras; seis muestras de mieles monoflorales de procedencias diversas y de una multifloral comercial. Por otro lado, se realizó un segundo estudio [2] en el que se pretendió clasificar las mieles mediante un prototipo de nariz electrónica de bajo coste, compuesta por una matriz de sensores resistivos e inespecíficos de óxidos metálicos tipo MQ. El experimento se realizó en dos ensayos y los resultados fueron contrastados con análisis fisicoquímicos y contenido de polen. Un primer ensayo consistió en muestrear de forma preliminar las mieles utilizadas para el caso anterior (impedancia eléctrica) y en el que repitió ocho veces para cada una de las muestras, mostrando una clara respuesta de los sensores en aquellas que presentaban un mayor contenido polínico, por encima del 57%. Sin embargo, las muestras de miel que reflejaban valores de polen inferiores al 50% no manifestaban una reacción perceptible en los sensores. En el segundo ensayo, se aumentó el tamaño de la muestra hasta un total de 16 muestras (cuatro mieles de lavanda, cuatro mieles de roble, cuatro mieles de romero y cuatro mieles de castaño), se realizaron un total de diez repeticiones por muestra con un total de ciento sesenta repeticiones. Estos últimos datos fueron analizados con la técnica de componentes principales (PCA), cuyos resultados no fueron concluyentes. Sin embargo, al aplicar el análisis de datos mediante el uso de Máquinas de Soporte Vectorial (SVM), se pudo obtener un modelo con un 87,5% de precisión en la clasificación. Actualmente se continúa trabajando en esta línea en la que se va a realizar un tratamiento de datos más exhaustivo mediante redes neuronales y la implementación de estos sensores en el interior de la colmena

The rules that regulate the European honey market consider that honey can be labelled with indications referred to its plant and geographical origin, among others. Currently there is no criterion in the legislation that requires honey to be classified as floral. This lack of specificities in regulations has led in recent decades to consider honey as monofloral when the percentage of representation of a pollen type is greater than 45%. This “legal loophole” makes it difficult not only to apply quality control actions on floral origin, but sometimes genuinely, monofloral Spanish honeys are rejected by European laboratories. In this case, the obtained analytical results are compared with a database and the characteristics of Spanish honeys are not well represented. This Ph thesis shows two case studies related to the characterization of the type of honey based on its floral origin. A first study in which a low-cost electrical impedance meter was used, obtaining 101 samples (Resistance (R) versus Reactance (X)), with a frequency sweep between 1 Hz and 25 MHz in all the analysed honeys. It is demonstrated that using a multilayer neural network trained from this data, it is possible to classify each of the analyzed samples with 100% accuracy. Moreover with a quick and easy determination is possible to obtain the floral origin of the honey without having to use the usual physicochemical data or equivalent electrical models. In this work, the electrical impedance of a total of seven samples has been measured. Additionally, six samples of monofloral honey from diverse origins and one commercial multifloral are used. On the other hand, a second study was carried out. In this study, the aim was to classify honey using a prototype of a low-cost electronic nose, composed of an array of resistive and nonspecific sensors of metal oxides MQ type. The experiment was carried out in two trials and the results were contrasted with physicochemical analyses and pollen content. A first test consisted of preliminarily sampling the used honey for the previous case (electrical impedance) and repeating it eight times for each sample. This is showing a clear response from the sensors in those that had a higher pollen content (above 57%). However, honey samples that reflected pollen values lower than 50% did not show a perceptible reaction in the sensors. In the second test, the size was increased to a total of 16 samples (four lavender honeys, four oak honeys, four Rosemary honeys and four chestnut honeys). A total number of ten repetitions per sample were carried out, with a total amount of one hundred and sixty repetitions. These latter data were analyzed with the principal components analysis technique (PCA). The results of them were inconclusive. However, by applying data analysis using Support Vector Machines (SVM), a model with 87.5% classification accuracy could be obtained. Currently, several works continue in this line. More exhaustive data processing will be carried out using neural networks and the implementation of these sensors inside the hive