Identificação de adulterantes no leite bovino por meio de redes neurais artificiais e técnica cromática

O leite é um dos produtos da agropecuária mais importantes da dieta humana e, ao longo da sua cadeia de produção, fraudes podem ocorrer. As práticas de fraudes no leite bovino são antigas e vêm evoluindo com o decorrer do tempo, tornando-se mais difíceis de serem identificadas. Atualmente, as abordagens para a identificação de adulterantes no leite são caras e demandam muito tempo para disponibilizarem resultados ao usuário. Nesse contexto, uma nova proposta para identificação de adulterantes foi apresentada com resultados promissores, tendo boas vantagens em relação às técnicas existentes, como baixo custo e rapidez. Por meio da propagação de ondas em meio material, ou seja, em amostras de leite puro e contaminado, sinais elétricos foram obtidos a partir de sensores piezelétricos adequadamente dispostos. Através da decomposição dos sinais por técnicas de processamento numéricos, foi possível identificar a existência de contaminantes nas amostras de leite. Nesse cenário, o objetivo deste trabalho foi propor uma abordagem para a classificação dos contaminantes. Para tal, foram estudados três contaminantes: ureia agrícola, bicarbonato de sódio e peróxido de hidrogênio na titulação de 0,5% e 1% tendo como referência o leite do tipo xandô padronizado. Devido à complexidade do problema, sistemas inteligentes baseados em redes neurais artificiais (RNAs) foram empregados a fim de identificar cada um dos contaminantes. Mais especificamente, redes perceptron multicamadas (PMC), rede de reconhecimento de padrões Patternnet e rede de base radial de regressão generalizada (GRNN) foram treinadas e validadas por meio da técnica de validação cruzada. O conjunto de dados continha 700 vetores utilizados em 100% do treinamento, validado com uma amostra de leite puro ou contaminado de 100 vetores, não pertencente ao mesmo banco de dados. Os resultados indicaram que as redes PMC e Patternnet foram capazes de fazer a identificação com a exatidão de 76,43% e 87,86% respectivamente. A rede GRNN apresentou resultados inferiores, além de não conseguir classificar amostras com bicarbonato de sódio. Contudo, a abordagem proposta mostrou-se factível à identificação de contaminantes em leite e pode contribuir na criação de sistemas mais baratos e portáteis para essa finalidade.