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

Página do item simplificado
dc.contributor.advisorDias, Fabio de Souza
dc.contributor.authorParanhos, Fabrina Oliveira
dc.contributor.refereeSantos Junior, Anibal de Freitas
dc.contributor.refereeMorte, Elane Santos da Boa
dc.date.accessioned2024-06-11T17:17:36Z
dc.date.available2024-06-11T17:17:36Z
dc.date.issued2023
dc.description.abstractA 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.
dc.description.abstract2Arthrospira (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.
dc.format.mimetypeapplication/pdf
dc.identifier.citationPARANHOS, 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.
dc.identifier.urihttps://saberaberto.uneb.br/handle/20.500.11896/5554
dc.identifier2.Latteshttp://lattes.cnpq.br/6260234513853347
dc.language.isopor
dc.publisherUniversidade do Estado da Bahia
dc.publisher.programPrograma de Pós-Graduação em Química Aplicada
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/
dc.rights2Attribution 3.0 Brazilen
dc.subject.keywordsSpirulina
dc.subject.keywordsAdulteração de Alimentos
dc.subject.keywordsImagens Digitais
dc.subject.keywordsInteligência Artificial
dc.subject.keywordsRedes Neurais Convolucionais
dc.titleRedes neurais convolucionais para avaliação da adulteração de spirulina através de imagens digitais
dc.title.alternativeConvolutional Neural Networks for Assessing Spirulina Adulteration through Digital Images
dc.typeinfo:eu-repo/semantics/masterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Redes neurais convolucionais_Fabrina Paranhos.pdf
Tamanho:
6.7 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
462 B
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Programa de Pós-Graduação Stricto Sensu (Mestrado Acadêmico) em Química Aplicada (PGQA)