Мёд — один из самых подделываемых продуктов в мировой торговле. По данным Европейской комиссии, до 46% импортного мёда не соответствует заявленному составу. Фальсификаторы разбавляют натуральный мёд кукурузным сиропом, глюкозой и карамельным красителем, а дешёвые сорта выдают за элитные монофлорные — липовый, каштановый или гречишный. Традиционные методы проверки, такие как пыльцевой анализ, легко обмануть фильтрацией, а лабораторные исследования занимают дни. Однако серия научных работ 2025–2026 годов демонстрирует, что искусственный интеллект способен решить эту проблему за считанные минуты.
Исследователи из Университета Макгилла (Канада) под руководством профессора Стефана Байена разработали метод, в котором масс-спектрометрия высокого разрешения создаёт уникальный химический «отпечаток пальца» каждого образца мёда, а алгоритмы машинного обучения анализируют эти отпечатки для проверки ботанического происхождения. Как отметил Байен: «Мёд — один из самых уязвимых для мошенничества товаров в глобальной торговле». Метод работает даже с обработанным и отфильтрованным мёдом, с которым традиционный пыльцевой анализ бессилен. Результаты опубликованы в журнале Analytical Chemistry.
Параллельно команда из турецкого Университета Болу Абант Иззет Байсал разработала принципиально иной подход: газовый сенсор BME688 от Bosch Sensortec фиксирует летучие органические соединения мёда, создавая «цифровой отпечаток» газового состава. Алгоритмы классификации — K-ближайших соседей, многослойный перцептрон и ансамблевые методы — достигли точности 1.0 (100%) при определении примесей от 25%, а регрессия методом градиентного бустинга позволила обнаруживать фальсификацию с разрешением до 5%. Весь анализ занимает около 20 минут, что делает метод пригодным для рутинного контроля качества. Результаты опубликованы в журнале NPJ Science of Food.
Бразильские учёные пошли ещё дальше, применив портативную ближнюю инфракрасную спектроскопию (NIR) для анализа 93 образцов мёда, включая 55 фальсифицированных, изъятых федеральной полицией в штате Минас-Жерайс. Модель SIMCA с оптимизированными параметрами одноклассовой классификации и ROC-кривыми достигла чувствительности и эффективности 100%. Преимущество метода — портативность: проверку можно проводить прямо на месте, не отправляя образцы в лабораторию.
В Румынии группа из Национального института исследований изотопных и молекулярных технологий в Клуж-Напоке провела масштабный обзор применения ИИ в аутентификации пищевых продуктов. Для мёда наилучшие результаты показали модели Random Forest с точностью 96,5% на изотопных данных, а свёрточные нейронные сети (CNN) достигли 97% точности при анализе сахарных фальсификатов методом средней инфракрасной спектроскопии — значительно превзойдя традиционные хемометрические подходы (79–91%). Исследователи из Бангладеш, используя UV-Vis-NIR спектроскопию в сочетании с алгоритмом Random Forest, и вовсе достигли 100% точности определения ботанического происхождения и типа фальсификата.
Эти достижения знаменуют переход от дорогостоящего лабораторного анализа к быстрым, доступным и неразрушающим методам контроля качества мёда. Сочетание портативных спектрометров, газовых сенсоров и алгоритмов машинного обучения открывает путь к созданию децентрализованных систем проверки, которые смогут использовать не только крупные лаборатории, но и небольшие пасеки, торговые сети и таможенные службы. Для потребителей это означает, что в ближайшие годы поддельному мёду на полках магазинов станет значительно сложнее маскироваться под натуральный продукт.
