Problem
Provjera autentičnosti meda ostaje složen i resursno intenzivan proces, posebno kada se određuje botaničko i geografsko porijeklo tradicionalnim melisopalinološkim metodama. Ručna mikroskopska analiza polenovih zrna zahtijeva visoko specijaliziranu stručnost, oduzima puno vremena i uvodi varijabilnost između laboratorija, što otežava skaliranje provjere uz očuvanje konzistentnosti i pouzdanosti. Za proizvođače meda i poljoprivrednike – posebno za mala i srednja preduzeća – ova ograničenja ograničavaju pristup premium i izvoznim tržištima, gdje su provjereno porijeklo i sljedivost sve obavezniji. Nedostatak brzih, objektivnih i pristupačnih alata za provjeru slabi konkurentnost i izlaže proizvođače reputacijskim rizicima povezanim s krivotvorenjem meda i pogrešnim označavanjem. Na laboratorijskom nivou, rastuća potražnja za testiranjem autentičnosti dodatno opterećuje postojeće tokove rada. Laboratorije se suočavaju s pritiskom da daju brže rezultate bez ugrožavanja naučne tačnosti, što naglašava potrebu za robusnim, automatiziranim i podacima vođenim rješenjem sposobnim za modernizaciju provjere autentičnosti meda.
Rješenje
PollenTrace se bavi ovim izazovima putem platforme za dokaz koncepta (PoC) koju je implementirao Centar izvrsnosti FoodHub (CoE), integrirajući vještačku inteligenciju (AI), računarski vid i računarstvo visokih performansi (HPC) za automatizaciju detekcije i analize polena. Platforma primjenjuje modele dubokog učenja na mikroskopske slike visoke rezolucije, omogućavajući objektivnu identifikaciju polenovih zrna direktno iz uzoraka meda.
Kao dio PoC-a, pripremljeni i označeni skupovi podataka o polenu su obrađeni korištenjem najsavremenijih arhitektura za detekciju objekata. HPC resursi obezbijeđeni putem klastera NCC Montenegro omogućili su efikasno obučavanje modela, evaluaciju velikih razmjera i brzu iteraciju, značajno smanjujući vrijeme razvoja, a istovremeno osiguravajući robusnost i ponovljivost. PoC je pokazao stabilne i pouzdane performanse detekcije polena (oko/iznad 85% tačnosti) na polenu ekstrahovanom direktno iz meda, potvrđujući da AI modeli mogu efikasno raditi u složenim laboratorijskim uslovima. Ovi rezultati potvrđuju izvodljivost automatizacije tradicionalno ručnog procesa uz održavanje naučne vjerodostojnosti i operativne pouzdanosti.
Projekat je sufinansirao Inovativni fond Crne Gore, podržavajući prelazak sa istraživanja na primijenjene inovacije. Validacija je provedena uz stručni nadzor akreditovanih laboratorijskih profesionalaca, demonstrirajući spremnost za skaliranje i dalju integraciju u laboratorijska i HPC okruženja.
Benefiti
- Za proizvođače meda i poljoprivrednike: provjerena autentičnost omogućava premium cijene, bolji pristup tržištu i jaču zaštitu od prijevara
- Za laboratorije: automatska analiza smanjuje ručno opterećenje, ubrzava testiranje i poboljšava konzistentnost rezultata
- Za industriju meda: povećana transparentnost i sljedivost jačaju povjerenje potrošača i integritet proizvoda
- Za digitalnu transformaciju: prikazuje ulogu FoodHub CoE i NCC Montenegro u primjeni AI i HPC-a na kontrolu kvaliteta poljoprivredne hrane