Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Saber Aberto – Repositório Institucional da UNEB |
Texto Completo: | https://saberaberto.uneb.br/handle/20.500.11896/5554 |
Resumo: | A Arthrospira (Spirulina) platensis é um alimento que vem ganhando espaço na indústria de suplementos por seu alto valor nutritivo. É a cianobactéria mais utilizada no consumo humano e animal e contém alto teor de proteínas e aminoácidos e quantidades significativas de betacaroteno, vitaminas do complexo B, ferro, minerais essenciais e ácido gama-linolênico. Dada sua importância, é um alimento com alto valor de mercado e que pode ser alvo de adulterações, comprometendo a segurança alimentar de seus consumidores. Assim detectá-las se faz de extrema importância e necessidade. Este estudo objetivou avaliar de forma controlada, adulteração de Spirulina com bicarbonato de sódio, em percentuais de 10%, 15% e 25% m/m. A escolha do adulterante se deu pelo fato do mesmo participar do processo de cultivo desta microalga, por ser de baixo custo e não higroscópico. Um sistema de captação de imagens digitais foi montado, testes de otimização do mesmo foram realizados. Realizou-se a captação de imagens digitais das amostras a 0%, 10%, 15% e 25% m/m. Os dados fornecidos pelas imagens digitais nos canais RGB foram analisados através do software ChemoStat e os gráficos de análise de componentes principais (PCA) e análise de agrupamento hierárquico (HCA) foram plotados. Estes métodos quimiométricos de análise exploratória mostraram-se eficientes quando os estudos foram realizados com poucas amostras, contudo quando do aumento destas (120 amostras com captações realizadas em triplicata, totalizando 360 captações), os gráficos não as classificaram bem, houve aglomeração de dados, dificultando a análise dos mesmos. Neste momento, a Inteligência Artificial, mais especificamente as Redes Neurais Convolucionais, foi utilizada. Os algoritmos de classificação utilizados, ResNet-18 e ResNet-50, apresentaram resultados satisfatórios na classificação das amostras. Ambos tiveram uma média de 98,9% de precisão na validação e 88,5% e 98%, respectivamente, na média da precisão dos testes. Desse modo, as Redes Neurais Convolucionais associadas às imagens digitais foram muito eficientes na classificação das amostras adulteradas frente ao uso de PCA e HCA, podendo ser uma aliada com grande potencial de crescimento e diversificação em análises, amplamente utilizadas nas diversas áreas dentro da Química. |
id |
UNEB-8_eba9e35a452898afaeaf4338b4bdc7b0 |
---|---|
oai_identifier_str |
oai:saberaberto.uneb.br:20.500.11896/5554 |
network_acronym_str |
UNEB-8 |
network_name_str |
Saber Aberto – Repositório Institucional da UNEB |
repository_id_str |
|
spelling |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitaisConvolutional Neural Networks for Assessing Spirulina Adulteration through Digital ImagesSpirulinaAdulteração de AlimentosImagens DigitaisInteligência ArtificialRedes Neurais ConvolucionaisA Arthrospira (Spirulina) platensis é um alimento que vem ganhando espaço na indústria de suplementos por seu alto valor nutritivo. É a cianobactéria mais utilizada no consumo humano e animal e contém alto teor de proteínas e aminoácidos e quantidades significativas de betacaroteno, vitaminas do complexo B, ferro, minerais essenciais e ácido gama-linolênico. Dada sua importância, é um alimento com alto valor de mercado e que pode ser alvo de adulterações, comprometendo a segurança alimentar de seus consumidores. Assim detectá-las se faz de extrema importância e necessidade. Este estudo objetivou avaliar de forma controlada, adulteração de Spirulina com bicarbonato de sódio, em percentuais de 10%, 15% e 25% m/m. A escolha do adulterante se deu pelo fato do mesmo participar do processo de cultivo desta microalga, por ser de baixo custo e não higroscópico. Um sistema de captação de imagens digitais foi montado, testes de otimização do mesmo foram realizados. Realizou-se a captação de imagens digitais das amostras a 0%, 10%, 15% e 25% m/m. Os dados fornecidos pelas imagens digitais nos canais RGB foram analisados através do software ChemoStat e os gráficos de análise de componentes principais (PCA) e análise de agrupamento hierárquico (HCA) foram plotados. Estes métodos quimiométricos de análise exploratória mostraram-se eficientes quando os estudos foram realizados com poucas amostras, contudo quando do aumento destas (120 amostras com captações realizadas em triplicata, totalizando 360 captações), os gráficos não as classificaram bem, houve aglomeração de dados, dificultando a análise dos mesmos. Neste momento, a Inteligência Artificial, mais especificamente as Redes Neurais Convolucionais, foi utilizada. Os algoritmos de classificação utilizados, ResNet-18 e ResNet-50, apresentaram resultados satisfatórios na classificação das amostras. Ambos tiveram uma média de 98,9% de precisão na validação e 88,5% e 98%, respectivamente, na média da precisão dos testes. Desse modo, as Redes Neurais Convolucionais associadas às imagens digitais foram muito eficientes na classificação das amostras adulteradas frente ao uso de PCA e HCA, podendo ser uma aliada com grande potencial de crescimento e diversificação em análises, amplamente utilizadas nas diversas áreas dentro da Química.Arthrospira (Spirulina) platensis is a food that has been gaining ground in the supplement industry due to its high nutritional value. It is the cyanobacteria most used in human and animal consumption and contains a high content of proteins and amino acids and significant amounts of beta-carotene, B vitamins, iron, essential minerals and gamma-linolenic acid. Given its importance, it is a food with high market value and can be subject to adulteration, compromising the food safety of its consumers. Therefore, detecting them is extremely important and necessary. This study aimed to evaluate, in a controlled manner, adulteration of Spirulina with sodium bicarbonate, in percentages of 10%, 15% and 25% m/m. The adulterant was chosen because it participates in the cultivation process of this microalgae, as it is low cost and non-hygroscopic. A digital image capture system was assembled and optimization tests were carried out. Digital images of samples were captured at 0%, 10%, 15% and 25% m/m. The data provided by digital images in RGB channels were analyzed using ChemoStat software and principal component analysis (PCA) and hierarchical cluster analysis (HCA) graphs were plotted. These chemometric methods of exploratory analysis proved to be efficient when studies were carried out with few samples, however when these were increased (120 samples with captures carried out in triplicate, totaling 360 captures), the graphs did not classify them well, there was data agglomeration, making their analysis difficult. At this time, Artificial Intelligence, more specifically Convolutional Neural Networks, was used. The classification algorithms used, ResNet-18 and ResNet-50, presented satisfactory results in classifying the samples. Both had an average of 98.9% validation accuracy and 88.5% and 98%, respectively, in average test accuracy. In this way, Convolutional Neural Networks associated with digital images were very efficient in classifying adulterated samples compared to the use of PCA and HCA, and can be an ally with great potential for growth and diversification in analyses, widely used in different areas within Chemistry.Universidade do Estado da BahiaPrograma de Pós-Graduação em Química AplicadaDias, Fabio de SouzaSantos Junior, Anibal de FreitasMorte, Elane Santos da BoaParanhos, Fabrina Oliveira2024-06-11T17:17:36Z2024-06-11T17:17:36Z2023info:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionapplication/pdfapplication/pdfPARANHOS, Fabiana Oliveira. Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais. Orientador: Fabio de Souza Dias. 2023. 79f. Dissertação (Mestrado Acadêmico). Universidade do Estado da Bahia. Departamento de Ciências Exatas e da Terra. Programa de Pós-Graduação em Química Aplicada – PGQA. Campus I. 2023.https://saberaberto.uneb.br/handle/20.500.11896/5554porinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/3.0/br/reponame:Saber Aberto – Repositório Institucional da UNEBinstname:Universidade do Estado da Bahia (UNEB)instacron:UNEB2024-06-12T03:00:49Zoai:saberaberto.uneb.br:20.500.11896/5554Repositório InstitucionalPUBhttps://saberaberto.uneb.br/server/oai/requestrepositorio@uneb.br || sisb@uneb.bropendoar:2024-06-12T03:00:49Saber Aberto – Repositório Institucional da UNEB - Universidade do Estado da Bahia (UNEB)false |
dc.title.none.fl_str_mv |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais Convolutional Neural Networks for Assessing Spirulina Adulteration through Digital Images |
title |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais |
spellingShingle |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais Paranhos, Fabrina Oliveira Spirulina Adulteração de Alimentos Imagens Digitais Inteligência Artificial Redes Neurais Convolucionais |
title_short |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais |
title_full |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais |
title_fullStr |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais |
title_full_unstemmed |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais |
title_sort |
Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais |
author |
Paranhos, Fabrina Oliveira |
author_facet |
Paranhos, Fabrina Oliveira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Dias, Fabio de Souza Santos Junior, Anibal de Freitas Morte, Elane Santos da Boa |
dc.contributor.author.fl_str_mv |
Paranhos, Fabrina Oliveira |
dc.subject.por.fl_str_mv |
Spirulina Adulteração de Alimentos Imagens Digitais Inteligência Artificial Redes Neurais Convolucionais |
topic |
Spirulina Adulteração de Alimentos Imagens Digitais Inteligência Artificial Redes Neurais Convolucionais |
description |
A Arthrospira (Spirulina) platensis é um alimento que vem ganhando espaço na indústria de suplementos por seu alto valor nutritivo. É a cianobactéria mais utilizada no consumo humano e animal e contém alto teor de proteínas e aminoácidos e quantidades significativas de betacaroteno, vitaminas do complexo B, ferro, minerais essenciais e ácido gama-linolênico. Dada sua importância, é um alimento com alto valor de mercado e que pode ser alvo de adulterações, comprometendo a segurança alimentar de seus consumidores. Assim detectá-las se faz de extrema importância e necessidade. Este estudo objetivou avaliar de forma controlada, adulteração de Spirulina com bicarbonato de sódio, em percentuais de 10%, 15% e 25% m/m. A escolha do adulterante se deu pelo fato do mesmo participar do processo de cultivo desta microalga, por ser de baixo custo e não higroscópico. Um sistema de captação de imagens digitais foi montado, testes de otimização do mesmo foram realizados. Realizou-se a captação de imagens digitais das amostras a 0%, 10%, 15% e 25% m/m. Os dados fornecidos pelas imagens digitais nos canais RGB foram analisados através do software ChemoStat e os gráficos de análise de componentes principais (PCA) e análise de agrupamento hierárquico (HCA) foram plotados. Estes métodos quimiométricos de análise exploratória mostraram-se eficientes quando os estudos foram realizados com poucas amostras, contudo quando do aumento destas (120 amostras com captações realizadas em triplicata, totalizando 360 captações), os gráficos não as classificaram bem, houve aglomeração de dados, dificultando a análise dos mesmos. Neste momento, a Inteligência Artificial, mais especificamente as Redes Neurais Convolucionais, foi utilizada. Os algoritmos de classificação utilizados, ResNet-18 e ResNet-50, apresentaram resultados satisfatórios na classificação das amostras. Ambos tiveram uma média de 98,9% de precisão na validação e 88,5% e 98%, respectivamente, na média da precisão dos testes. Desse modo, as Redes Neurais Convolucionais associadas às imagens digitais foram muito eficientes na classificação das amostras adulteradas frente ao uso de PCA e HCA, podendo ser uma aliada com grande potencial de crescimento e diversificação em análises, amplamente utilizadas nas diversas áreas dentro da Química. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023 2024-06-11T17:17:36Z 2024-06-11T17:17:36Z |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
PARANHOS, Fabiana Oliveira. Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais. Orientador: Fabio de Souza Dias. 2023. 79f. Dissertação (Mestrado Acadêmico). Universidade do Estado da Bahia. Departamento de Ciências Exatas e da Terra. Programa de Pós-Graduação em Química Aplicada – PGQA. Campus I. 2023. https://saberaberto.uneb.br/handle/20.500.11896/5554 |
identifier_str_mv |
PARANHOS, Fabiana Oliveira. Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais. Orientador: Fabio de Souza Dias. 2023. 79f. Dissertação (Mestrado Acadêmico). Universidade do Estado da Bahia. Departamento de Ciências Exatas e da Terra. Programa de Pós-Graduação em Química Aplicada – PGQA. Campus I. 2023. |
url |
https://saberaberto.uneb.br/handle/20.500.11896/5554 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by/3.0/br/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by/3.0/br/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidade do Estado da Bahia Programa de Pós-Graduação em Química Aplicada |
publisher.none.fl_str_mv |
Universidade do Estado da Bahia Programa de Pós-Graduação em Química Aplicada |
dc.source.none.fl_str_mv |
reponame:Saber Aberto – Repositório Institucional da UNEB instname:Universidade do Estado da Bahia (UNEB) instacron:UNEB |
instname_str |
Universidade do Estado da Bahia (UNEB) |
instacron_str |
UNEB |
institution |
UNEB |
reponame_str |
Saber Aberto – Repositório Institucional da UNEB |
collection |
Saber Aberto – Repositório Institucional da UNEB |
repository.name.fl_str_mv |
Saber Aberto – Repositório Institucional da UNEB - Universidade do Estado da Bahia (UNEB) |
repository.mail.fl_str_mv |
repositorio@uneb.br || sisb@uneb.br |
_version_ |
1802131151056273408 |