Caracterização de leite bovino utilizando ultra-som e redes neurais artificiais

Abstract

O controle da qualidade de alimentos é muito importante para determinar as suas composições e teor nutritivo, bem como para detectar eventuais fraudes e adulterações, sejam elas em matérias-primas ou produtos industrializados. Por exemplo, o leite bovino pode sofrer adulteração por adição de outros produtos, com o objetivo de aumentar o volume ou prolongar o prazo de validade, causando prejuízos econômicos e sanitários. Este trabalho apresenta um estudo sobre a caracterização de leite fluido utilizando técnicas de ultra-som e redes neurais artificiais. Utilizou-se uma célula de medição de propriedades de líquidos por ultra-som para obter dados de densidade, velocidade de propagação e coeficiente de atenuação, que foram relacionados com as concentrações de gordura e água adicionada em amostras de leite bovino, obtidas com métodos convencionais utilizados em laticínios, para efeito de calibração das amostras. Esses dados foram utilizados para projetar redes neurais artificiais, que fornecem na saída o teor de gordura e a quantidade de água adicionada ao leite, a partir dos parâmetros medidos pela célula de medição. As redes neurais desenvolvidas resultaram em mais de 95% de amostras classificadas corretamente, com uma resolução de 0,1% na determinação da quantidade de gordura. Para quantidade de água adicionada, a resolução foi de 1% para 1 a 10% de água adicionada, e resolução de 5% para quantidade de água adicionada de 10 a 60%.

The quality control of food products is very important to determine their composition and nutrition facts, and to detect eventual frauds and adulterations in raw or industrialized products. For example, bovine milk can be adulterated by addition of foreign products, in order to increase the volume or to extend the expiration date, with economic and sanitary impacts. This work presents the characterization of milk using ultrasound and neural networks techniques. An ultrasonic measurement cell was used to obtain the propagation velocity, attenuation coefficient and density of milk liquid samples with different fat contents and added water. Samples were calibrated by using conventional methods employed in the dairy industry. Artificial neural networks were designed to output the fat content and added water of samples from the information of the experimental parameters measured by the cell. The algorithm resulted in more than 95% of correct classification, with resolution of 0.1% in the determination of fat content. For the determination of added water, the resolution was 1% (between 1 and 10% of added water) and 10% (between 10 and 60% of added water).