Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados

• Ano de defesa: 2022
• Autor(a) principal: Claudia Ferreira Viana
• Orientador(a): Leorges Moraes da Fonseca
• Banca de defesa: Sérgio Vale Aguiar Campos, Bruna Maria Salotti de Souza, Débora Cristina Sampaio de Assis, Daniela Cristina Solo de Zaldivar Ribeiro
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Minas Gerais
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência Animal
• Departamento: VET - DEPARTAMENTO DE TECNOLOGIA E INSPEÇÃO DE PRODUTOS DE ORIGEM ANIMAL
• País: Brasil
• Palavras-chave em Português: Bovino; Leite
• Link de acesso: http://hdl.handle.net/1843/53583; https://orcid.org/0000-0002-3792-419X

A crescente demanda por produtos derivados de leite de búfala no mercado brasileiro nos últimos anos tem incentivado cada vez mais produtores a investir nessa área de produção. O alto valor nutricional do leite bubalino comparado principalmente ao leite bovino tem contribuído para esse aumento de consumo, o que acarreta em dificuldades de aquisição de leite no período de entressafra. A legislação brasileira permite a comercialização de leite com mistura de diferentes espécies, desde que seja devidamente identificado no rótulo da embalagem. Porém, muitas vezes essa prática acontece sem que o consumidor seja informado ou antes mesmo da chegada do leite na indústria. Visando aprimorar a detecção das fraudes, objetivou-se nesse estudo a realização de análise físico-química dos leites bovino e bubalino a partir de espectroscopia no infravermelho a fim de se realizar a comparação entre a composição do leite das duas espécies e o desenvolvimento de modelos de Redes Neurais Artificiais e outras técnicas de mineração de dados para detectar a adição de leite bovino ao leite bubalino. Para a análise físico-química de caracterização do leite bubalino em diferentes estações do ano foram coletadas amostras de tanques de refrigeração durante 24 meses, totalizando 837 amostras. Foram feitas análises dos teores de composição gordura, lactose, proteína, sólidos totais e sólidos não gordurosos, encontrando maiores teores de gordura (6,19%) e proteína (4,25%) nas estações de primavera e verão respectivamente. Em relação aos sólidos totais os maiores valores foram encontrados nas estações de primavera (16,14%) e os sólidos não gordurosos tiveram maiores valores no verão (10,03%), coincidindo com período de chuvas da região. Para os estudos envolvendo a comparação da composição do leite bovino com o leite bubalino e inteligência artificial, foram coletadas 300 amostras de leite bubalino e 300 amostras de leite bovino no período de outubro/2021 a março/2022 e preparadas misturas com nove percentuais de adição de leite bovino ao leite bubalino, simulando adulteração (1%, 2%, 5%, 10%, 20%, 30%, 40%, 50%, 75%), além de leite bubalino sem adição (0%) e leite bovino sem adição (100%). As amostras foram analisadas por infravermelho com transformada de Fourier (FITR) e os resultados obtidos foram tabelados e comparados estatisticamente quanto à composição tendo como resultado uma superioridade do leite bubalino em todos os parâmetros avaliados, além da utilização do banco de dados na montagem das arquiteturas de redes neurais juntamente com dados do histórico da rotina do laboratório. Foram testadas Redes Multilayer Perceptron de uma e duas camadas ocultas e Rede Neural de Função de Base Radial através do software IBM SPSS Statistics®. O mesmo banco de dados foi empregado no teste das técnicas de mineração de dados utilizando a plataforma RapidMiner®, com os testes Naive Bayes, Generalized Linear Model, Logistic Regression, Fast Large Margin, Deep Learning, Decision Trees, Random Forest, Gradient Boosted Trees e Support Vector Machine. As redes Multilayer Perceptron obtiveram resultados de classificação de 97,4% e 97,0% para uma e duas camadas respectivamente, enquanto as de função de base radial obtiveram 97,3% de acerto. Os modelos de mineração de dados com melhores resultados foram Random Forest, Support Vector Machine e Decision Trees. Os resultados demonstraram boa acurácia, sensibilidade, especificidade e precisão tanto para os testes de Redes Neurais quanto para os outros testes de mineração de dados, evidenciando que são boas ferramentas de análise e predição de fraudes a serem usados como triagem pela indústria.