文摘

蜂蜜的更高的需求和有限的可用性导致了不同形式的蜂蜜掺假。蜂蜜掺假是直接通过添加各种糖浆天然蜂蜜或间接通过喂食蜜蜂糖糖浆。因此,需要出现了可靠和具有成本效益的质量控制检测蜂蜜掺假的方法以确保安全和质量的蜂蜜。在这项研究中,蜂蜜掺假的喂食蜜蜂与不同比例的蔗糖糖浆(0到100%)。掺假蜂蜜的各种理化性质研究包括糖概要、pH值、酸度、水分和颜色。结果表明,增加蔗糖糖浆的饲料导致葡萄糖和果糖含量显著下降,分别从33.4 - 29.1%和45.2 - 35.9%。然而,蔗糖含量显著增加从0.19到1.8%。pH值显著增加从3.04到4.63,增加蔗糖饲料。酸度增加有所下降但无意义的蔗糖饲料和7.0和4.00毫克当量/公斤之间不同的蔗糖为0%和100%,分别。蜂蜜的明度(l值)也显著增加从59.3到68.84作为蔗糖饲料增加。其他颜色参数没有显著改变了蔗糖饲料。K——集群用于分类的蜂蜜掺假通过使用上述生理属性。分类结果表明,葡萄糖含量和总糖含量提供100%准确的分类而pH值提供了最糟糕的结果分类精度为52%。进一步预测百分比蜂蜜掺假,模拟退火结合人工神经网络(SA-ANNs)使用糖概要文件作为输入。RBF-ANN被发现提供最好的预测结果与SSE = 0.073, = 0.021,和整体R²= 0.992。得出蜂蜜糖概要文件可以提供一个准确和可靠的工具检测间接蜂蜜掺假的蔗糖溶液。

1。介绍

蜂蜜是一种天然甜物质产生的分泌物和植物的花蜜的蜜蜂。蜜蜂采集、转换和结合自己的蜂蜜与特定的物质,然后存款并将其存储在蜂蜜梳子成熟和成熟1]。蜂蜜是有不同的成分、外观和感官概念;它主要是由糖,果糖和葡萄糖,除了其他25个不同的寡糖。它也含有少量的蛋白质、酶、氨基酸、矿物质、微量元素、维生素、和多酚(2]。

蜂蜜富含营养物质,如抗氧化剂酶、类黄酮和酚类化合物。它有一些重要的药用价值,如抗菌,抗癌,王亚南,降糖、抗高血压和抗氧化性能3]。

转换从花蜜蜂蜜是一个缓慢的过程,返回后开始飞行。在殖民地,含水量降低到16 - 20%,然后蜜蜂工人加入酶转化酶和葡萄糖氧化酶花蜜。转化酶酶将蔗糖转化为两个六元糖,即葡萄糖和果糖,葡萄糖氧化酶酶将减少蔗糖转化为过氧化氢和葡糖酸。这些酶是由蜜蜂工人增加形成典型的蜂蜜糖成分(4]。

掺假蜂蜜涉及添加廉价的甜味剂,如高果糖玉米糖浆(hfcs),蔗糖糖浆、高果糖菊粉糖浆、转化糖浆。标准掺假检测方法如直接糖分析高效液相色谱法或GS-MS可能不容易检测掺假成分以来重大自然蜂蜜成分和添加剂通常有相似的物理性质自糖可以人为地制定相似的纯蜂蜜(5]。掺假是直接或间接完成的。直接掺假包括添加各类商业糖糖浆纯蜂蜜(6]。一些研究报道使用糖蜂蜜生产及其对糖轮廓的影响,植物化学物质,矿物质含量和粘度。里贝罗et al。7)报道,直接添加高果糖玉米糖浆的蜂蜜影响其化学和物理性质,如颜色、pH值、水分活度和水分含量和灰分的内容。Yilmaz et al。8)报道,蜂蜜掺假的蔗糖和果糖糖浆在不同浓度影响流变、物理和化学性质。白色(9]报道了使用各种碳水化合物成分检测蜂蜜掺假的蜂蜜。

Oroian et al。10]研究蜂蜜掺假的果糖、葡萄糖和水解菊粉糖浆和报道,pH值等理化性质的影响,导电性和水活动。居尔et al。11]研究了粘度变化对掺假蜂蜜和报道的增加粘度和糖浆浓度增加。几种方法被用来评估直接掺假蜂蜜。凯利et al。12]报道使用近红外transflectance光谱学检测爱尔兰蜂蜜掺假高果糖玉米糖浆和甜菜转化糖浆。Gallardo-Velazquez et al。13)研究中红外傅里叶变换光谱学的使用量化蜂蜜掺假的内容包括高果糖玉米糖浆,玉米糖浆,倒糖。Ruiz-Matute et al。6]报道使用蜂蜜掺假的gc - ms检测高菊粉果糖糖浆。液相色谱(LC)与气相色谱(GC)已经使用同时检测外源性糖蜂蜜掺假的适当的指纹(5]。Kumaravelu和塔·[14]报道使用近红外光谱和偏最小二乘回归对四种蜂蜜掺假的检测和量化jaggary。西迪基et al。15)提供了一个全面审查的蜂蜜掺假技术2000年和2016年之间的时期。他们报告说,核磁共振光谱学是一个强大的方法,各种身份验证和掺假的蜂蜜糖。

间接掺假蜂蜜涉及喂养蜜蜂不同糖的解决方案在某些阶段当天然果汁不可用或与最优发展殖民地人口的花蜜流,建立殖民地在暴露于农药,并增加殖民地人口在秋季和春季部门(11,16]。与直接掺假,间接掺假蜂蜜涉及喂养蜜蜂与商业糖是极难检测。很少有研究间接蜂蜜掺假检测报告。Cavrar等。(17]发现随机喂养的蔗糖糖浆改变了水分含量和糖和蜂蜜的酚类和抗氧化剂的内容。Cordella et al。18]调查使用高效阴离子交换色谱法和脉冲测量电流的检测(HPAEC-PAD)结合最优化技术检测的间接蜂蜜掺假。蜂蜜样品形式法国养蜂人含有10%至40%的不同工业糖糖浆用于饲养的蜜蜂。他们发现线性歧视和规范分析是有用的分类掺假蜂蜜,准确率高达96.5%。居尔et al。19]研究了碳同位素比值的使用。他们调查了100个样本的纯粹的蜂蜜和蜜蜂蜂蜜由美联储与不同数量的糖糖浆在5、20和100升/殖民地。糖浆包括蔗糖糖浆(SS)、葡萄糖糖浆(GMS)、氢氟烃- 85%,hfc - 55%,和蜜蜂饲养糖浆(BFS)。他们能够检测掺假蜂蜜喂20和100升/群hfc - 85和100升/群HFC-55与美联储和糖浆在5升/殖民地。他们报告说,内部标准检测的碳同位素比值和官方的方法20.- - - - - -22)没有有效的蜂蜜掺假检测通过喂食蜜蜂糖浆制成的C3植物如小麦(小麦属植物vulgare)和甜菜(甜菜属)。贝尔泰利et al。23)报道,一个有效的使用糖糖浆的蜂蜜掺假检测方法。它涉及一维(1 d)和(2 d)核磁共振(NMR)和多元统计分析。这项研究使用了63蜂蜜样品从不同植物来源和7个不同的糖糖浆。他们分析了63个样本的蜂蜜从63年殖民地用七种不同的糖糖浆和纯粹的蜂蜜样品。最好的模型分类1 d光谱和交互检验分析与预测能力的95.2%。2 d-nmr分析给不满意的卖空的90.5%可预测性。

这个问题需要进一步调查评估饲养蜜蜂的影响在不同糖浓度和评估结果蜂蜜的理化性质。它也是很有必要开发一种新的可靠和具有成本效益的方法检测间接掺假蜂蜜。因此,本研究的目的是使用k——聚类算法和人工神经网络分类和预测的水平间接蜂蜜掺假基于生化的参数包括糖,颜色、pH值、酸度。

2。材料和方法

2.1。样品收集

殖民地与two-aged女王蜜蜂和蜜蜂亚种被用于这项研究。成人满是窝蜜蜂的帧(帧占领鸡蛋)。基础制成的梳子蜂蜡的筹集模式细胞轮廓,药物、运输、和控制程序已经标准化。防泄漏的容器是用来覆盖殖民地,用来供应足够的表面积蜂巢外的糖浆。石头和木头放在容器中,蜜蜂可以站在吸取这些材料。糖浆的比例制备了1公斤的粒状蔗糖100升的水。糖浆准备用热水没有沸腾与普通搅拌去除气泡和溶解糖晶体。浅稻草色的混合物是明确的。糖浆是存储在合适的清洁塑料鼓。蜜蜂喂养,一罐是放置在一个特殊喂养帧入口处的殖民地。 Those containers are often referred to as Boardman feeders. They were refilled daily when they got empty. No veterinary drugs were used for any honey bee disease. Honey was harvested and centrifuged, filtered with a sieve, and then collected in glass jars. Honey samples were taken from 7 colonies located in a farm at Ajloun city, Northern Jordan. Honey samples were collected from colonies with different feeding concentrations placed in the same area but with different distances from each other to ensure that they were fed with the same type of normal feeding (nectar). Two types of honey were collected: pure honey where colony was not sugar fed and was allowed to be fed completely on natural flowering and sugar-fed honey where colonies were fed sucrose syrup (1 : 1 ratio of sucrose/water) with the following different amounts: 10, 20, 40, 60, 80, and 100 L once every 3 days.

2.2。生化的特性

2.2.1。使用高效液相色谱糖概要分析

蜂蜜糖进行了分析使用采用AOAC公认[24与一些细微的修改。一个10μL部分每个准备样本注入高效液相色谱配备RI-detection(日本岛津公司折射率,RID-10A)。分离柱(Shim-pack scr - 101 n, L 250毫米×4.6毫米身份证,10μ使用m)。列温度举行30°C。流动相的混合水/乙腈(80:20 v / v)。流量为1.3毫升/分钟。糖被确定根据他们的保留时间与适当的糖标准进行比较。根据外部标准方法执行定量峰面积或峰高。

2.3。水分测定

水分含量是决定使用间接折射度量方法。用阿贝折射仪进行了测量,获得了水分的百分比从蜂蜜样品的折射率,参照Wedmore换算表(25]。含水率的蜂蜜被报道导致蜂蜜稳定对发酵和造粒在存储(26]。

2.4。酸度和pH值

pH值和游离酸度测定根据国际蜂蜜委员会的协调方法(25]。溶液的pH值是通过溶解10 g 75毫升无co2的蒸馏水的蜂蜜,和溶液的pH值测量用酸度计(CyberScan pH510 Eutech应承担的仪器)。自由酸度测定的滴定溶液(10 g蜂蜜溶解在75毫升的有限公司₂无蒸馏水)与0.1 M氢氧化钠pH值8.3;每公斤毫当量表达的结果。

2.5。测色仪器

蜂蜜的颜色是由色度计测量(12毫米孔径U 59730 Inc . Pittsford,纽约,美国)并记录使用l ,一个 ,和b 根据[颜色系统27]。色度计的校准是一个标准的白色陶瓷(委员会Internationalale de我'Eclairage参考l = 97.91,一个 =−0.68,b = + 2.45)。此外,总色差(ΔE)和浓度计算使用以下方程:

三个复制所有测量均获得(与2高效液相色谱法复制除外)。

2.6。建模和统计分析

2.6.1。使用一般线性模型(GLM)

数据分析使用一般线性模型(GLM)过程与JMP统计软件包(JMP研究所有限公司、卡里、数控、美国)。意味着被LSD分离分析的显著差异≤0。05年值。

2.6.2。使用K——聚类分类的蜂蜜掺假

为了分类的水平间接蜂蜜掺假k——使用聚类算法。技术是一种无,无监督聚类方法用于分类情况下分类叫做集群内均匀自己和彼此间的异构。这通常是通过使用欧式距离或其他标准聚类数据。的k- - - - - -意味着聚类库在SPSS 18(美国北卡罗来纳州SPSS研究所)是用于这一目的。第一步需要指定集群的数量(k),7类被用来覆盖不同级别的蜂蜜掺假(0到100%)。接下来,聚合中心的初始值k“种子”估计。欧式距离(个人观察的均方误差从集群点)用于将所有类似的单位分配给最近的集群的种子。根据需要重复几次这个过程,直到没有更好的重新分类是可能的。糖的掺假蜂蜜样品(果糖、葡萄糖、蔗糖和麦芽糖内容)和其他理化性质包括pH值、颜色和含水量是用作集群分类输入变量(28,29日]。

2.6.3。使用SA-ANNs预测蜂蜜掺假的水平

除了分类k——集群、混合模拟退火结合人工神经网络算法(SA-ANNs)是用来预测蜂蜜掺假从0到100%的水平。有两个原因与ann耦合模拟退火。SA通常是用来提供一个全球的解决方案为安和避免局部最小值的解决方案在优化过程中。其次,SA用于自动启动神经元权值和选择安架构。因此,使用SA-ANN混合算法可以大大促进发展的预测模型对蜂蜜掺假比例(30.,31日]。

3所示。结果与讨论

3.1。HPLC-RID糖概要

的饲养效果不同的糖比例蜜蜂葡萄糖,果糖,蔗糖含量如表所示1。葡萄糖和果糖含量显著降低从33.4到29.06%,从45.2到35.9%,分别为蔗糖糖浆增加饲料的数量。葡萄糖和果糖含量之和高于标准的价值对于所有治疗(不少于60克/ 100克)据食品法典(1),不少于65克/ 100克根据约旦标准。另一方面,蔗糖含量显著增加从0.19到1.80%,蔗糖糖浆比例增加饲料。蔗糖果糖内容是观察到的更敏感掺假自控制和10%蔗糖掺假的区别更明显(分别为39.8%和45.2)。葡萄糖和果糖的含量高sucrose-fed蜂蜜被古尔解释等。32)报道,95%的蔗糖给蜜蜂被转化为葡萄糖和果糖转化酶酶负责分解蔗糖和由工蜂的咽下的腺体分泌33]。居尔et al。11)报告了类似的结果在蜂蜜再辅以5中,20,100%蔗糖糖浆。他们报告说,葡萄糖含量增加20%喂食但是减少100%的蔗糖糖浆。此外,他们报道蔗糖含量的增加和减少果糖含量。Cavrar et al。17]研究了纯和sucrose-adulterated蜂蜜样品的属性与一个水蔗糖浓度比1:1.5 (w / w)殖民地。他们报道高果糖和葡萄糖含量和较低的蔗糖含量控制样品相比掺入蔗糖糖浆。他们同样报道,工蜂用蔗糖酶酶将大部分蔗糖转化葡萄糖和果糖。Anklam [34]发现果糖,葡萄糖的实际比例在任何特定的蜂蜜在很大程度上取决于花蜜的来源。

果糖,葡萄糖比(F / G)如表所示1。结果表明,控制明显有较高价值的F / G(1.36),而与蔗糖,蜂蜜掺假的百分比变化从1.18到1.23。托西et al。35)报道,F / G的比率1.14或更少表明快速造粒,而值大于1.58与没有造粒的倾向。从这些结果可以得出结论,掺假蜂蜜样品有更多的倾向于使表面变粗糙。类似的研究报道F / G比率的蜂蜜在委内瑞拉multifloral蜂蜜(1.19 - -1.3436),1.11 - -1.36在13个不同的花卉阿尔及利亚蜂蜜(37]。

3.2。水分含量、酸度和pH值

蔗糖喂养不同蔗糖糖浆比例对含水率的影响,酸性,pH值如表所示2。没有观察到显著差异在控制和sucrose-fed蜂蜜。蜂蜜样品的水分含量在15.8%和15.2之间。水分含量最高(15.8%)在泰爱泰党1和泰爱泰党2(15.8%),最低的治疗中发现了泰爱泰党6和泰爱泰党7 (15.2%)。结果同意Kolayli et al。38),居尔et al。11]。相反,pH值显著增加在所有治疗从3.04到4.63。最高的价值被发现在泰爱泰党7最低(4.63),而在泰爱泰党1(3.04)被发现。Ozcan et al。39发现糖喂pH值增加,同意目前的研究。同样,里贝罗et al。7)观察到类似的效果通过喂食蜜蜂果糖糖浆。酸度有所下降但不显著增加蔗糖喂养和7.0和4.00毫克当量/公斤之间的不同比例对泰爱泰党1和泰爱泰党7,分别。所有值都是在标准(最多50毫克当量/公斤)报告的食品法典委员会(11]。同样,居尔et al。11]发现酸度范围从8到16.9毫克当量/蜂蜜用5公斤,20,100%蔗糖糖浆。Gebremariam和Brhane40解释这个,糖喂导致分离有机酸含量的减少特别是葡糖酸,葡萄糖氧化的副产品的葡萄糖氧化酶,和无机离子磷酸盐和氯等。

3.2.1之上。测色仪器

的饲养效果不同的糖浆浓度蜂蜜颜色表所示3。结果表示为l 黑暗/明度(0黑色,100白),一个 (−一个绿色+一个红),b (−b蓝色+b黄色)。结果显示不同样本之间的一些差异不同糖浓度。蜂蜜的l低的值从59.3增加到68.84l价值表达更深的样本。明度是观察到喂食的糖浆浓度的增加而增加。随机的变化一个 和b 还观察到(分别−4.3到1.16和24.79到48.04)。ΔE还和色度值不同的随机和范围从68.96到78.45和25.17至48.04,分别。Kolayli et al。38)发现相似的结果当喂食蜜蜂随机的不同类型的糖浆。他们报道相比,深色的颜色为纯蜂蜜蜂蜜用蔗糖糖浆。他们进一步解释了深色的蜂蜜的植物,相关的维生素、色素,酚类物质,矿物质的含量,叶绿素,caroten,叶黄素的化合物。

3.3。K聚类则

七种不同蜂蜜掺假的分类水平使用糖概要和pH值使用k——集群表所示4。蜂蜜掺假的百分比表显示正确的分类级别使用不同的糖类型除了pH值。其他理化性质包括水分含量和酸度对蜂蜜掺假没有发现有用的分类。分类的意义是证明了的水平F统计数据和价值。结果显示清楚,提供最好的分类结果与葡萄糖和总糖100%正确分类的掺假水平其次是果糖和蔗糖含量分类精度为95%,最后的pH值最小的分类精度52%的准确率。这表明,葡萄糖和总糖都可以单独用于检测蜂蜜掺假程度准确。这一结果表明,基于可溶性总糖含量的有成本效益的和简单的方法可以用来检测间接蜂蜜掺假不需要获得糖概要分析。表5显示分类的最后七个簇中心之间的距离矩阵葡萄糖。更大的集群中心之间的距离显示更好的分类。0.497之间的距离变化掺假掺杂水平含量0%和80%和2.783 0和20%。结果支持先前的发现表明,总糖和葡萄糖的内容都能正确分类蜂蜜掺假水平。几项研究的使用k——聚类进行分类和识别的缺陷报告文学。Supriyatna et al。29日]报道使用k聚类分类则在印尼省水稻产量分成三个集群成功。Leemans和使退色41]报道使用k - means分层次分级算法来检测缺陷Jonagold苹果。他们从接受91%正确分类水果。

拜兰节和绿色(42)与k-means-based彩色图像使用集群检测裂缝西瓜。西瓜被分割,其裂缝的部分被确定k——聚类算法。结果表明,瓜的裂缝识别方法是有效的。Noviyanto和阿卜杜勒43]报道的使用类似的分类算法称为k最近邻(资讯)聚类分类蜂蜜植物起源与标准差精度约83%和2.6%。Cordella et al。18]研究了间接蜂蜜掺假使用数种蜂糖糖浆从10到40%。他们报告说,使用线性判别分析(LDA)加上典型分析分类蜂蜜掺假导致分类效率高96.5%。Oroian和Ropciuc44)报道,使用线性判别分析(LDA)酚类化合物和理化参数导致良好的蜂蜜样品分类(92%正确)基于植物的起源。

3.4。模拟Annealing-Artificial神经网络(SA-ANN)

人工神经网络是强大的工具用来预测输入-输出数据的复杂行为。他们能够任何复杂系统模型的优势如果足够的数据可用于网络培训。一个困难出现在发展中人工神经网络,包括初始权重的确定用于网络拓扑。因此,模拟退火(SA)算法来优化初始权值用于建筑安。人工神经网络使用平方误差的总和函数(SSE)与反向传播算法(BP)调整神经元权值和循环重复几次,直到达到指定SSE。中长期规划的详细描述和RBF人工神经网络可以找到Al-Mahasneh et al。27]。在这项研究中,糖概要(葡萄糖、果糖、蔗糖、麦芽糖和总糖含量)作为输入参数来预测蜂蜜掺假百分比作为因变量。两种常用的安是多层感知器(MLP)和径向基函数(RBF)。数据训练用于训练网络划分为70%和30%用于验证生成的模型。这意味着数据被随机分配到训练和验证部分为了提供一个有效的模型结构,避免过度拟合的数据。这通常是用来确保获得的模型是有用的预测新看不见的数据点。这两种类型的结果如表所示6。此外,RBF-ANN结构见图1和预测的情节与观察到的蜂蜜掺假比例如图2。RBF-ANN是显示由于MLP-ANN相比更好的结果。结果显示高蜂蜜掺假比例使用ann预测能力。RBF-ANN 10节点和softmax激活函数提供MLP-ANN相比稍微更好的预测结果。这可以观察到低SSE(0.096和0.073)和(0.027和0.021)和更高的整体R²(分别为0.981和0.992)。获得的结果为验证错误上交所和验证确定系数R²分别为0.073和0.99。结果表明,ANN模型健壮,能够预测的新观察。Oroian和Ropciuc44]报道了使用人工神经网络分类的蜂蜜来源基于物理化学参数和酚类化合物。他们得出的结论是,多层安2隐藏层能够分类蜂蜜植物来源有95%的准确度。Al-Mahasneh et al。27]报道使用人工神经网络成功预测野花蜂蜜粘度使用温度的组合效果,剪切率和含水量的蜂蜜。Cordella et al。18]报道使用偏最小二乘线性回归模型成功预测新蜂蜜掺假比例的样本被喂食蜜蜂不同工业糖糖浆掺假。Oroian和Ropciuc44]使用2隐层MLP安成功蜂蜜样品进行分类(94.8%的准确率)植物起源的基础。

4所示。结论

蜂蜜掺假的间接的影响涉及喂养蜜蜂糖与蔗糖糖浆是评估使用生化的属性包括概要、水分、酸度、pH值和颜色。葡萄糖和果糖含量显著降低的掺假比例增加。另一方面,蔗糖含量、pH值和明度(l)与掺假百分比显著增加。K聚类则是有效的分类蜂蜜掺假比例使用葡萄糖和总糖含量。模拟退火(SA)耦合径向基人工神经网络(RBF-ANNs)是能够预测掺假比例高的精度。得出间接可以有效地检测到使用蜂蜜掺假K聚类算法则基于葡萄糖内容或蜂蜜可noncostly总糖含量和简单的测量方法。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

院长职提供的资助的研究/乔丹科技大学是赞赏。