Identificação de adulterantes no leite bovino por meio do uso de redes neurais artificiais e propagação de ondas mecânicas

• Ano de defesa: 2021
• Autor(a) principal: Mazer, Rodrigo Hans
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Adulteração de leite bovino; Técnica cromática; Redes neurais artificiais; Reconhecimento de padrões; Adulteration of bovine milk; Chromatic technique; Artificial neural networks; Pattern recognition
• Link de acesso: http://hdl.handle.net/11449/214724

As adulterações alimentares causam prejuízos econômicos e de saúde, em âmbito mundial. O leite é um dos alimentos mais consumidos da humanidade por possuir grande poder nutricional e é alvo de inúmeras fraudes, difíceis de serem reconhecidas, especialmente quando são utilizados baixos percentuais de contaminações. Atualmente, as tecnologias capazes de inspeção de adulterantes no leite bovino são onerosas e lentas, questões motivacionais para a busca de novas alternativas para solucionar o problema. Nesse contexto, foi proposto um trabalho que desenvolveu um recipiente construído com diafragmas piezelétricos de baixo custo, propagando ondas mecânicas em amostras de leite contaminadas por bicarbonato de sódio, ureia e peróxido de hidrogênio, em proporções de 0,5% e 1%, cujos sinais elétricos foram adquiridos para processamentos computacionais. Por meio da utilização da técnica cromática, foi feita a decomposição dos sinais em três parâmetros que apresentaram características em que se foi possível diferenciar adulterações perante amostras de leite puro. Partindo-se desses dados, o presente trabalho utilizou oito ferramentas de Redes Neurais Artificiais (RNAs) de arquiteturas distintas para identificar cada amostra: Rede Neural Perceprom Multicamadas (RNPMC), Rede Neural de Retropropagaçãom em Cascata (RNRC), Rede Neural Elman de Retropropagação (RNER), Rede Neural de Reconhecimento de Padrões (RNRP), Rede Neural Probabilística (RNP), Rede Neural de Regressão Generalizada (RNRG), Rede Neural de Base Radial (RNBR) e Rede Neural de Base Radial Exata (RNBRE). Os dados, dispostos em 2 matrizes de 700 linhas por 4 colunas, foram divididos em 50% para o treinamento das redes e 50% o para teste, para todas as redes. Para efeitos comparativos individuais, também foram feitas execuções extras para as redes RNPMC, RNRC, RNER e RNRP, dividindo-se os dados em 75% para treinamento, 25% para validação e 25% para teste, pois as arquiteturas das mesmas permitem esta possibilidade. Os ensaios consistiram em 10 parametrizações diferentes para cada RNA, em que buscou-se os melhores desempenhos, evidenciados pelas quantidades e percentuais de acertos, erros quadráticos médios e regressões, para as devidas comparações individuais e entre as redes neurais. Os resultados das melhores parametrizações obtidas mostraram que as redes RNRP, RNER, RNPMC e RNRC foram capazes de identificar mais de 98% das amostras. As redes RNRG, RNP e RNBR obtiveram acertos de 86,71%, 86,57% e 85%, respectivamente, e a RNBRE, apenas 46,57%. Desta forma, a proposta desenvolvida demonstrou-se promissora e benéfica no apoio ao trabalho de identificação de adulterantes no leite, apresentando quatro opções com percentuais de acertos acima de 98%.