REDE NEURAL ARTIFICIAL PARA DETECÇÃO DE ADULTERAÇÃO EM LEITE POR ADIÇÃO DE ÁGUA
Laticínios. Métodos analíticos tradicionais. Ultrassom. Inteligência artificial.
Para o controle da qualidade do leite, análises são realizadas por amostragem, com o emprego de métodos laboratoriais que demandam tempo, apresentam por vezes custo elevado e em determinadas situações, o emprego de reagentes perigosos/tóxicos. Métodos analíticos oficiais de rotina e de detecção de fraudes podem não serem totalmente eficazes no diagnóstico de irregularidades no leite, sendo necessárias análises complementares. Nesse sentido, o objetivo principal do trabalho foi desenvolver uma rede neural artificial (RNA) para detectar adulteração no leite cru por adição de água e como objetivo secundário, comparar metodologias oficiais e a espectroscopia por ultrassom para a avaliação das características físico-químicas do leite. Para isso, foram utilizadas 125 amostras de leite cru. Destas, 25 foram coletadas em frascos de vidro borosilicato com capacidade de um litro para realização dos métodos oficiais (MO) e a comparação com a espectroscopia de ultrassom (US) para a determinação dos teores de gordura e proteína, densidade, índice crioscópico, sólidos totais (ST) e sólidos não gordurosos (SNG). Já, as 100 amostras restantes foram acondicionadas em tubos tipo Falcon com capacidade de 200 mL e utilizadas para elaboração da RNA, com a adulteração de 20% (n=20) dessas amostras por adição de valores percentuais crescentes de água destilada (1%, 5%, 10% e 20%), o que resultou em 80 amostras adulteradas e 80 amostras não adulteradas, avaliadas unicamente por espectroscopia de ultrassom. Para o desenvolvimento da arquitetura da RNA, as 160 amostras de leite foram distribuídas aleatoriamente em três subgrupos: (i) treinamento (60%); (ii) validação (20%); e, (iii) teste (20%). Os valores das variáveis foram normalizados entre 0 e 1. Para determinar a configuração da RNA foi utilizado o software SNN® e testadas as RNAs do tipo Radial-Basis Function (RBF) e Multilayer perceptron (MLP). Como resultados do estudo, tem-se que as densidades médias e os teores médios de proteína determinados pelo US e pelos MO não diferiram entre si (P > 0,05). Os teores médios de gordura e os valores médios do índice crioscópico, ST e SNG, obtidos pelo US e pelos MO foram diferentes (P = 0,026, P = 0,040, P < 0,001, P = 0,014, respectivamente), as correlações obtidas na análise desses parâmetros foram positivas (R = 0,470, R = 0,118, R = 0,087 e R = 0,315, respectivamente) e as acurácias dos métodos foram de 0,180, 0,058, 0,155 e 0,075, respectivamente. Para a classificação das amostras de leite, a melhor rede foi a que apresentou menor número de erros de classificação, menor diferença entre os erros de classificação nos subgrupos (treinamento, validação e teste), e menor número de neurônios na camada oculta. A melhor rede de classificação foi a rede neural RBF que apresentou 10 neurônios na camada de entrada, 40 neurônios na camada oculta e dois na camada de saída, resultando em 95,37% de amostras adulteradas classificadas corretamente. Conclui-se que a US é uma técnica rápida e os resultados obtidos correlacionam-se àqueles das análises oficiais. As RNAs apresentam grande potencial de uso como ferramenta de avaliação de adulterações de leite com adição de água. Logo, o desenvolvimento de sistemas automáticos, não invasivos, de baixo custo e inteligentes, poderiam desempenhar um papel decisivo no diagnóstico de fraudes em alimentos e na tomada decisão quanto ao julgamento e destino dos produtos adulterados. Mas, para a confiabilidade dos resultados se faz necessário dados balanceados e suficientes para treinamento do modelo a ser testado