Portal de Pesquisa da BVS Veterinária

Tese em Português | VETTESES | ID: vtt-221708

Resumo

A realização de fraudes em leite causa prejuízos econômicos e riscos à saúde dos consumidores. A adição de soro de queijo ao leite está entre as principais fraudes, cuja finalidade é aumentar o volume fornecido com custo reduzido. As provas para detecção de fraudes são muito laboriosas, caras e demoradas, dificultando a realização na frequência determinada pela legislação. A técnica de Espectroscopia no Infravermelho (FTIR) apresenta-se como uma alternativa promissora para identificação desse tipo de fraude, principalmente porque um número elevado de dados analíticos de leite podem ser obtidos e avaliados nos Laboratórios da Rede Brasileira de Laboratórios de Análise da Qualidade do Leite (RBQL), credenciados pelo Ministério da Agricultura, Pecuária e Abastecimento, a exemplo do Laboratório de Análise da Qualidade do Leite da Escola de Veterinária da Universidade Federal de Minas Gerais (LabUFMG). Entre os métodos utilizados para Aprendizado de Máquina têm-se as Redes Neurais Artificiais (RNA) e as Árvores de Decisão, que apresentam grande potencial de uso como ferramentas de avaliação de possíveis adulterações de leite com soro de queijo. O objetivo desse trabalho foi utilizar metodologias computacionais capazes de identificar adulteração no leite por adição de soro de queijo em amostras analisadas por espectroscopia FTIR. Foram utilizadas 585 amostras de leite cru diluídas com soro obtido da fabricação do queijo minas frescal nas concentrações: 0%, 1%, 2%, 5%, 10%, 15%, 20%, 25% e 30%. As amostras foram armazenadas a 7°C, 20°C e 30°C durante 0, 24, 48, 72 e 168 horas e analisadas em aparelho FTIR do LabUFMG. Adicionalmente, 585 amostras de leite cru autêntico, coletadas de tanques de refrigeração, foram usadas juntamente com as amostras anteriores, para treinamento, teste e validação dos modelos de machine learning. Diferentes classificadores foram utilizados para treinar modelos capazes de reconhecer as alterações provocadas pela adição de soro de queijo ao leite nas características de composição normal do leite. Os registros de composição e os espectros resultantes das análises do equipamento FTIR foram organizados de forma a servir como entrada para a tarefa de classificação em modelos de RNA e árvores de decisão. A classificação foi realizada usando dois tipos de dados, para três tipos de modelos: os componentes numéricos foram analisados por RNA e Árvore de Decisão e o espectro total do infravermelho foi analisado por meio de Rede Neural Convolucional (CNN). A metodologia proposta foi capaz de gerar acurácias médias de 97,8%, quando se utilizam dados de composição na RNA, e de 96,2% nos testes por Árvore de decisão. Utilizando os dados espectrais (CNN) a taxa de acurácia total do modelo foi de 93,84%. O uso do FTIR associado a Redes Neurais Artificiais foi eficiente para diferenciar amostras com leite e adicionadas de soro de queijo.

---

Fraud in milk causes economic damage and potential health risks to consumers. Cheese whey addition to milk is one of the major frauds, done to increase the volume provided at a reduced cost. Methods for fraud detection usually are laborious, expensive and time-consuming. The Infrared Spectroscopy (FTIR) technique presents itself as a promising alternative for the identification of this type of fraud, mainly because a large number of analytical milk data can be obtained and evaluated in the Laboratories of the Brazilian Network of Milk Quality Analysis Laboratories (RBQL), accredited by the Ministry of Agriculture, such as the Milk Quality Analysis Laboratory of the Veterinary School in the Universidade Federal de Minas Gerais (LabUFMG). Among the methods used for machine learning are the Artificial Neural Networks (ANN) and the Decision Trees, which have great potential for use as tools for evaluating possible adulterations of milk with cheese whey. The objective of this work was to use computational methodologies capable of identifying adulteration in milk by adding whey cheese to samples analyzed by FTIR spectroscopy. 585 samples of raw milk diluted with whey obtained from the manufacture of Fresh Minas cheese were used in concentrations: 0%, 1%, 2%, 5%, 10%, 15%, 20%, 25% and 30%. The samples were stored at 7°C, 20°C and 30°C for 0, 24, 48, 72 and 168 hours and analyzed in an FTIR device from LabUFMG. Compositional results of 585 samples of authentic bulk tank raw milk were added to the experimental samples and utilized for the machine learning models training, test, and validation. Different classifiers were used to recognize the compositional and or spectral changes caused by the addition of cheese whey to milk. The composition records and the spectra resulting from the analysis of the FTIR equipment were organized in order to serve as an entry for the classification task in the ANN models and Decision Trees. The classification was performed using two types of data, for three types of models: the numerical components were analyzed by ANN and Decision Tree and the total infrared spectrum was analyzed by Convolutional Neural Network (CNN). The proposed methodology was able to generate average accuracy of 97,8%, when using composition data in the ANN, and 96,2% using Decision Tree. Using the spectrum data (CNN), the total accuracy rate of the model was 93,84%. The use of FTIR associated with Artificial Neural Networks was efficient to differentiate samples with milk and added with cheese whey.

Biblioteca responsável: BR68.1