Inteligencia artificial contra el fraude en la miel: una nueva técnica para detectar engaños

Stéphane Bayen, de la universidad McGill.

Un equipo de investigadores canadienses ha puesto a punto una técnica para utilizar la inteligencia artificial contra el fraude en la miel. Aseguran que su método detecta las falsificaciones en apenas unos minutos y sirve también para la miel procesada.

El fraude es uno de los mayores enemigos de la apicultura actual en todo el mundo. La gran cantidad de mieles fraudulentas que circulan hacen que los precios caigan y los apicultores honrados no pueden competir con esos productos falsificados. Ante esta situación, el sector busca soluciones que mejoren la capacidad de detección de las mieles falsas.

En respuesta a esa demanda, surgen nuevas técnicas y aproximaciones al problema. Uno de los más recientes propone el empleo de la inteligencia artificial contra el fraude en la miel. Ese es el enfoque de una investigación presentada por científicos de la universidad McGill, en Canadá: utilizar la inteligencia artificial para detectar rápidamente falsificaciones y adulteraciones en la miel.

Todavía en fase de desarrollo, el método propuesto se propone como una solución ágil y rápida, capaz de señalar mieles adulteradas, aunque hayan sido previamente procesadas. Sigue leyendo para saber cómo se utiliza la inteligencia artificial para luchar contra el fraude en la miel.

El trabajo del equipo de McGill se ha publicado en la revista Analytical Chemistry, una de las más importantes de su área, y lleva la firma principal de Stéphane Bayen, del departamento de Ciencia de los Alimentos y Química Agrícola de esta universidad canadiense. Además, entre los firmantes aparecen investigadores de la firma estadounidense Agilent Technologies, especializada en análisis químicos para diferentes industrias.

1 – Inteligencia artificial contra el fraude en la miel: cómo funciona

Estos investigadores se plantearon encontrar un método rápido para detectar el fraude en la miel, que es uno de los productos más adulterados y falsificados del mundo. El reto es importante, porque demostrar que una miel es fraudulenta supone una tarea muy difícil y exigente.

Para agilizar ese trabajo complejo, estos científicos proponen utilizar la inteligencia artificial contra el fraude en la miel. Es un enfoque innovador que están empleando otros equipos de investigación y empresas del sector, aunque, en este caso, la propuesta es un tanto diferente.

Se plantearon trabajar con la miel de arándano como modelo. Y, tomando esa referencia, buscaron lo que denominan “marcadores de autenticidad”. Es decir, compuestos químicos presentes en la miel de arándano y no en otras variedades. Estos compuestos deberían servir como identificadores claros de esta miel.

El trabajo de campo arrancó con la selección de 262 muestras de miel monofloral (procedente principalmente de una sola flor), de las cuales 50 eran de arándano. Todas las muestras se analizaron mediante la técnica de cromatografía líquida acoplada a espectrometría de masas (LC-MS), una metodología que permite separar y detectar miles de compuestos diferentes en una muestra.

Después, con todos esos datos, los científicos trabajaron en desarrollar algoritmos específicos en Python para clasificarlos de forma eficiente. Para ello, contaron con tres enfoques diferentes para identificar marcadores:

• Marcadores binarios, compuestos detectados solo en la miel de arándano.
• Marcadores umbral, compuestos presentes en todas las mieles, pero en concentración mucho más alta en la de arándano.
• Marcadores de razón-intervalo, que emplean la relación entre dos compuestos para distinguir este tipo de miel de las demás.

Una científica de la empresa Agilent. Foto: Agilent.

Estos marcadores constituyen una especie de “huella química” de cada miel, una información única que permite identificar con claridad las diferentes mieles a un nivel molecular.

Después, la parte más innovadora de esta propuesta se encuentra en el análisis de la información obtenida en esas huellas químicas. Es donde entra en juego la inteligencia artificial, presente a través de un novedoso algoritmo de tipo convolucional.

Este modelo, inspirado en los principios de las redes neuronales convolucionales (CNN), no trabaja sobre imágenes como ocurre en otras aplicaciones, sino sobre matrices numéricas que representan la intensidad de miles de compuestos detectados en cada muestra y que constituyen esas “huellas químicas” que buscan los científicos.

Este método de trabajo ha resultado ser 1500 veces más rápido que otros enfoques y ha permitido identificar en pocos minutos las mejores combinaciones de compuestos para determinar que una miel es de arándano. Y, especialmente, para identificar la presencia de un marcador de calidad concreto, la niacina (vitamina B3), que se encuentra en concentraciones notablemente superiores en la miel de arándano.

Para Stépahne Bayen, investigador principal de este equipo de trabajo, este método de trabajo permitirá identificar “el verdadero origen de la miel” en cuestión de “minutos” y asegura que pueden hacerlo “incluso con mieles procesadas en las que las técnicas tradicionales resultan insuficientes”.

Una mujer lee la etiqueta de un tarro de mile. Foto: Agilent

2 –La ia contra el fraude en la miel, otras propuestas

Esta solución desarrollada en Canadá y basada en un algoritmo que “lee” la huella química de la miel es una solución puntera que se suma a otras muchas ideas que utilizan la inteligencia artificial contra el fraude en la miel.

Análisis de gases

Un estudio reciente firmado por investigadores turcos sigue un camino parecido al que han recorrido los canadienses en el trabajo que analizamos. En su caso, han trabajado sobre los gases que emanan de las mieles y, en concreto, con la técnica de cromatografía de gases.

Su investigación emplea un sensor de gases denominado BME688. Este sensor produce una huella química que, posteriormente, es analizada por un sistema de machine learning o inteligencia artificial. El método se parece al canadiense en que también trabaja sobre el patrón matemático de la huella o firma química, en lugar de analizar imágenes como hacen otros sistemas  

Microscopio inteligente

En España se ha desarrollado una de las soluciones más avanzadas en este sentido. Se trata del microscopio inteligente de Honey.ai. Es un microscopio dotado de inteligencia artificial que analiza la composición polínica de la miel, además de otros parámetros, como tasa de cristalización, presencia de levaduras, color, conductividad e, incluso, cantidad de esporas de patógenos como Nosema ceranae.

En este caso, la inteligencia artificial es capaz de reconocer patrones visuales, con lo que la aproximación al problema del fraude es diferente a la del equipo de McGill. Sin embargo, el objetivo es el mismo: determinar si una miel procede del lugar geográfico que indica su etiqueta.

La propuesta de Honey.ai acaba de perfeccionarse con la emisión de un código QR que los apicultores pueden incorporar al etiquetado de sus mieles. Al desvelar la información de ese QR, el consumidor puede conocer a fondo qué tipo de miel ha comprado.

ADN de la miel

Otras técnicas que emplean inteligencia artificial son, por ejemplo, el análisis de ADN de la miel, que conocimos en la pasada feria Meliza de Zamora. Este modelo utiliza técnicas como la PCR para encontrar el rastro de diferentes ADNs presentes en la miel. Por ejemplo, ADN de las flores utilizadas por las abejas, de los animales que interactúan con ellas, de las propias abejas y sus patógenos e, incluso, de las personas.

La idea es generar enormes bases de datos de ADN asociadas a cada miel, de manera que, después, la inteligencia artificial pueda detectar patrones en una muestra de miel y compararlos con esas bases de datos para determinar su procedencia.

Apúntate a nuestra newsletter y no te pierdas nada

Suscríbete a nuestro boletín y recibe en tu correo toda la información sobre
la apicultura y que no se te escape nada.
             ¡Es gratis! 

3 – La inteligencia artificial, en la apicultura: una nueva frontera

El uso de la inteligencia artificial contra el fraude en la miel es una de las muchas formas en que esta tecnología ha irrumpido en el ámbito apícola. Sin embargo, hay muchas otras adopciones de la inteligencia artificial en la apicultura.

El uso de la ia, las técnicas de machine learning y los grandes modelos de aprendizaje se utilizan en diferentes aspectos, desde la selección genética, al trabajo de campo de los apicultores.

Un buen ejemplo del uso de estas técnicas es el de Beeing, una compañía chilena que ofrece certificación genética de las abejas utilizando inteligencia artificial. Los criadores de reinas pueden enviar muestras de sus abejas y los técnicos de Beeing secuencia y analizan su ADN a través de métodos de inteligencia artificial, ofreciendo un certificado de procedencia genética en muy poco tiempo y a bajo coste.

Desde otro punto de vista, la inteligencia artificial en la apicultura se está utilizando para desarrollar colmenas capaces de autovigilarse. En este caso, se trata de combinar todo tipo de sensores (básculas inteligentes, termómetros, higrómetros, micrófonos e incluso cámaras) para monitorizar constantemente las colmenas. Los datos generados por los sensores son analizados por sistemas de inteligencia artificial que incluso pueden tomar decisiones sobre aplicar tratamientos o iniciar una cosecha.

Interior de la colmena robot de BeeWise.

En el mercado hay ya varios ejemplos de colmenas inteligentes, como la de BeeWise, una empresa israelí que comercializa un módulo que alberga varias colonias totalmente monitorizadas y controladas por la ia, las llamadas colmenas robot. Otros modelos son más sencillas e, incluso, se pueden montar de una forma artesanal.

También hemos visto apicultores robots, que son capaces de cosechar la miel de una colmena sin intervención humana. Y hay apps para teléfonos móviles que utilizan la inteligencia artificial de muchas formas. Por ejemplo, para detectar la reina sobre los panales gracias a una cámara que envía información a un software basado en la ia y capaz de reconocer a la reina. Esta idea del reconocimiento de imágenes se emplea también para, en combinación con la ia, hacer recuento de abejas o, incluso, de varroa, como hacen el sistema BeeSion o el escáner para varroa de los italianos Apisfero. Y también apps de móvil capaces de contar varroas, como Varroa Counter o BeeScanning, y equipos como Apisense, que lee las feromonas de la colmena para detectar enfermedades.

Son métodos de la llamada apicultura de precisión, un concepto cada vez más habitual entre los apicultores de todo el mundo. Ahora, el uso de la inteligencia artificial contra el fraude en la miel viene a reforzar este creciente arsenal de nuevas armas que la apicultura tiene a su disposición para mejorar el trabajo y la calidad de vida de las abejas.

4 – Bibliografía empleada

Biri, Melchiorre & Prats, Carmen (1988) El gran libro de las abejas. Barcelona: Editorial de Vecchi.

Chahal, S., Tian, L., Bilamjian, S., Balogh, F., De Leoz, L., Anumol, T., … & Bayen, S. (2024). Rapid Convolutional Algorithm for the Discovery of Blueberry Honey Authenticity Markers via Nontargeted LC-MS Analysis. Analytical Chemistry, 96(45), 17922-17930.
https://pubs.acs.org/doi/10.1021/acs.analchem.4c01778?goto=recommendations&?ref=pdf

Jean Prost, Pierre (2007) Apicultura. Conocimiento de la abeja. Manejo de la colmena. Barcelona: Editorial Mundi Prensa.

Lasanta, Eugenio (2018). Apicultura práctica tradicional y moderna: La esencia en el hexágono. Madrid: Liber Factory.

Milli, M., Söylemez Millin, N. & Parlak, İ.H. (2025) Rapid detection of honey adulteration using machine learning on gas sensor data. npj Sci Food 9, 74 (2025). https://doi.org/10.1038/s41538-025-00440-9

Robles, Elena & Salvachúa, Carmelo (2012) Iniciación a la apicultura. Tecnología y calendario. Madrid: Editorial Mundi Prensa.

Salvachúa, Carmelo & Robles, Elena (2003) Manual de apicultura práctica. Sector apícola Galego.

Wilson, Noah (2014) La abeja. Una historia natural. Librería Universitaria de Barcelona: Barcelona.

Libros para saber más sobre apicultura