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: | |
Orientador(a): | |
Banca de defesa: | , , , |
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: | |
Link de acesso: | http://hdl.handle.net/1843/53583 https://orcid.org/0000-0002-3792-419X |
Resumo: | 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. |
id |
UFMG_7ab2a3e01c1d0e8dcf9b84132c60eed3 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/53583 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Leorges Moraes da Fonsecahttp://lattes.cnpq.br/8471533951627724Mônica de Oliveira LeiteElisa Helena Paz AndradeSérgio Vale Aguiar CamposBruna Maria Salotti de SouzaDébora Cristina Sampaio de AssisDaniela Cristina Solo de Zaldivar Ribeirohttp://lattes.cnpq.br/0854821029863024Claudia Ferreira Viana2023-05-18T18:02:29Z2023-05-18T18:02:29Z2022-10-26http://hdl.handle.net/1843/53583https://orcid.org/0000-0002-3792-419XA 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.The growing demand for buffalo milk products in the Brazilian market in recent years has encouraged more producers to invest in this production area. The high nutritional value of buffalo milk compared to bovine milk has contributed to this increase in consumption, which leads to difficulties in acquiring milk during the off-season. Brazilian legislation allows the marketing of milk with a mixture of different species, as long as it is properly identified on the package label. However, this practice often happens without consumers awareness, or before the milk even reaches the industry. In order to improve fraud detection, this study aimed to perform physical-chemical analysis of cow and buffalo milk using infrared spectroscopy to compare the milk composition the two species and to develop models of Artificial Neural Networks and other data mining techniques from compositional data to detect the addition of cow milk to buffalo milk. For the physical-chemical analysis of buffalo, samples were collected from refrigeration tanks over 24 months, totalling 837 samples. Analyses were performed for the composition, fat, lactose, protein, total solids, and solids non-fat contents. Higher fat contents (6.19%) and protein (4.25%) were find in the spring and summer seasons, respectively. Regarding total solids, the highest values were found in the spring seasons (16.14%) while solids non-fat had higher values in the summer (10.03%), which is the rainy period of the region. For the studies involving the comparison of bovine milk composition with buffalo milk and artificial intelligence, 300 samples of buffalo milk samples and 300 samples of cow milk were collected during the months of October/2021 to March/2022, and mixtures with nine levels of bovine milk addition to buffalo milk were prepared, simulating adulteration (1%, 2%, 5%, 10%, 20%, 30%, 40%, 50%, 75%) and two levels without mixing (0% - buffalo milk without addition and 100% - cow milk without addition). The samples were analyzed by FITR and the results obtained were tabulated and statistically compared with higher components concentration for buffalo milk in all evaluated parameters, these results were used to set up the neural network architectures along with laboratory routine data. Multilayer Perceptron Networks with one and two hidden layers and Radial Base Function Neural Networks were tested using IBM SPSS Statistics® software. The same database was employed to test data mining techniques using the Rapidminer® software. Naive Bayes, Generalized Linear Model, Logistic Regression, Fast Large Margin, Deep Learning, Decision Trees, Random Forest, Gradient Boosted Trees and Support Vector Machine tests were used. The Multilayer Perceptron networks achieved classification results of 97.4% and 97.0% for one and two layers respectively, while the radial basis function obtained 97.3% of accuracy. The data mining models with the best results were Random Forest, Support Vector Machine and Decision Trees. The results showed good accuracy, sensitivity, specificity and precision for both the Neural Network tests and the other data mining tests, demonstrating that they are good analysis and adulteration prediction tools to be used as a screening test by the industry.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência AnimalUFMGBrasilVET - DEPARTAMENTO DE TECNOLOGIA E INSPEÇÃO DE PRODUTOS DE ORIGEM ANIMALMedicina veterináriaBovinoLeiteDetecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALClaudia Ferreira Viana - Detecção de fraude por adição de leite bovino em leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados.pdfClaudia Ferreira Viana - Detecção de fraude por adição de leite bovino em leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados.pdfapplication/pdf3940667https://repositorio.ufmg.br/bitstream/1843/53583/3/Claudia%20Ferreira%20Viana%20-%20Detec%c3%a7%c3%a3o%20de%20fraude%20por%20adi%c3%a7%c3%a3o%20de%20leite%20bovino%20em%20leite%20bubalino%20utilizando%20redes%20neurais%20artificiais%20e%20outras%20t%c3%a9cnicas%20de%20minera%c3%a7%c3%a3o%20de%20dados.pdf03cfaa3896b2f69c0041831032b0e6a9MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/53583/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/535832023-05-18 15:02:29.656oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-05-18T18:02:29Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
title |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
spellingShingle |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados Claudia Ferreira Viana Bovino Leite Medicina veterinária |
title_short |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
title_full |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
title_fullStr |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
title_full_unstemmed |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
title_sort |
Detecção de adulteração por adição de leite bovino ao leite bubalino utilizando redes neurais artificiais e outras técnicas de mineração de dados |
author |
Claudia Ferreira Viana |
author_facet |
Claudia Ferreira Viana |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Leorges Moraes da Fonseca |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8471533951627724 |
dc.contributor.advisor-co1.fl_str_mv |
Mônica de Oliveira Leite |
dc.contributor.advisor-co2.fl_str_mv |
Elisa Helena Paz Andrade |
dc.contributor.referee1.fl_str_mv |
Sérgio Vale Aguiar Campos |
dc.contributor.referee2.fl_str_mv |
Bruna Maria Salotti de Souza |
dc.contributor.referee3.fl_str_mv |
Débora Cristina Sampaio de Assis |
dc.contributor.referee4.fl_str_mv |
Daniela Cristina Solo de Zaldivar Ribeiro |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/0854821029863024 |
dc.contributor.author.fl_str_mv |
Claudia Ferreira Viana |
contributor_str_mv |
Leorges Moraes da Fonseca Mônica de Oliveira Leite Elisa Helena Paz Andrade Sérgio Vale Aguiar Campos Bruna Maria Salotti de Souza Débora Cristina Sampaio de Assis Daniela Cristina Solo de Zaldivar Ribeiro |
dc.subject.por.fl_str_mv |
Bovino Leite |
topic |
Bovino Leite Medicina veterinária |
dc.subject.other.pt_BR.fl_str_mv |
Medicina veterinária |
description |
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. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-10-26 |
dc.date.accessioned.fl_str_mv |
2023-05-18T18:02:29Z |
dc.date.available.fl_str_mv |
2023-05-18T18:02:29Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/53583 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-3792-419X |
url |
http://hdl.handle.net/1843/53583 https://orcid.org/0000-0002-3792-419X |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência Animal |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
VET - DEPARTAMENTO DE TECNOLOGIA E INSPEÇÃO DE PRODUTOS DE ORIGEM ANIMAL |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/53583/3/Claudia%20Ferreira%20Viana%20-%20Detec%c3%a7%c3%a3o%20de%20fraude%20por%20adi%c3%a7%c3%a3o%20de%20leite%20bovino%20em%20leite%20bubalino%20utilizando%20redes%20neurais%20artificiais%20e%20outras%20t%c3%a9cnicas%20de%20minera%c3%a7%c3%a3o%20de%20dados.pdf https://repositorio.ufmg.br/bitstream/1843/53583/4/license.txt |
bitstream.checksum.fl_str_mv |
03cfaa3896b2f69c0041831032b0e6a9 cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1793890853127716864 |