Redes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais

Detalhes bibliográficos
Autor(a) principal: Paranhos, Fabrina Oliveira
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