Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais

• Ano de defesa: 2023
• Autor(a) principal: Paranhos, Fabrina Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado da Bahia; Programa de Pós-Graduação em Química Aplicada
• Palavras-chave em Português: Spirulina; Adulteração de Alimentos; Imagens Digitais; Inteligência Artificial; Redes Neurais Convolucionais
• Link de acesso: https://saberaberto.uneb.br/handle/20.500.11896/5554

A Arthrospira (Spirulina) platensis é um alimento que vem ganhando espaço na indústria de suplementos por seu alto valor nutritivo. É a cianobactéria mais utilizada no consumo humano e animal e contém alto teor de proteínas e aminoácidos e quantidades significativas de betacaroteno, vitaminas do complexo B, ferro, minerais essenciais e ácido gama-linolênico. Dada sua importância, é um alimento com alto valor de mercado e que pode ser alvo de adulterações, comprometendo a segurança alimentar de seus consumidores. Assim detectá-las se faz de extrema importância e necessidade. Este estudo objetivou avaliar de forma controlada, adulteração de Spirulina com bicarbonato de sódio, em percentuais de 10%, 15% e 25% m/m. A escolha do adulterante se deu pelo fato do mesmo participar do processo de cultivo desta microalga, por ser de baixo custo e não higroscópico. Um sistema de captação de imagens digitais foi montado, testes de otimização do mesmo foram realizados. Realizou-se a captação de imagens digitais das amostras a 0%, 10%, 15% e 25% m/m. Os dados fornecidos pelas imagens digitais nos canais RGB foram analisados através do software ChemoStat e os gráficos de análise de componentes principais (PCA) e análise de agrupamento hierárquico (HCA) foram plotados. Estes métodos quimiométricos de análise exploratória mostraram-se eficientes quando os estudos foram realizados com poucas amostras, contudo quando do aumento destas (120 amostras com captações realizadas em triplicata, totalizando 360 captações), os gráficos não as classificaram bem, houve aglomeração de dados, dificultando a análise dos mesmos. Neste momento, a Inteligência Artificial, mais especificamente as Redes Neurais Convolucionais, foi utilizada. Os algoritmos de classificação utilizados, ResNet-18 e ResNet-50, apresentaram resultados satisfatórios na classificação das amostras. Ambos tiveram uma média de 98,9% de precisão na validação e 88,5% e 98%, respectivamente, na média da precisão dos testes. Desse modo, as Redes Neurais Convolucionais associadas às imagens digitais foram muito eficientes na classificação das amostras adulteradas frente ao uso de PCA e HCA, podendo ser uma aliada com grande potencial de crescimento e diversificação em análises, amplamente utilizadas nas diversas áreas dentro da Química.