Esse trabalho foi realizado com o objetivo de empregar Redes Neurais Artificiais
para classificar amostras de leite, a partir de análises de rotina de um laticÃnio, em
amostras de leite adulteradas ou não, quanto à adição de soro de queijo. As amostras
foram preparadas através da mistura do leite com diferentes concentrações de soro (0,
1, 5, 10 e 20%) sendo analisadas quanto a temperatura, teor de gordura, extrato seco
desengordurado, densidade, proteÃna, lactose, sais minerais, ponto de congelamento,
condutividade e pH, totalizando 167 ensaios. Desses 167 ensaios, 101 foram usados
para treinamento da rede, 33 para validação e outros 33 para testar a rede neural
artificial. A melhor rede de classificação foi uma rede neural de função de base radial.
Para obter os centros da rede foi usado o algoritmo k-means, para definir a largura
dos campos receptivos o k-nearest e os pesos da camada de saÃda foram definidos
usando o método da pseudo-inversa. A rede com melhor resultado apresentou 10
neurônios na camada de entrada, 40 neurônios na camada oculta e dois na camada de
saÃda, sendo possÃvel obter mais de 95% de acertos na classificação. A metodologia de
classificação por Redes Neurais Artificiais apresenta um grande potencial de aplicação
na interpretação de dados de análises de rotina nos laticÃnios para classificação do
leite em adulterado por soro de queijo e, posteriormente, confirmação do resultado
por metodologia oficial
This study aimed to employ Artificial Neural Networks to classify milk
samples from routine analysis of a dairy company in order to identify adulteration by
whey addition. The samples were prepared by mixing the milk with different whey
concentrations (0, 1, 5, 10, and 20%), which were then analyzed for temperature,
fat content, solids-non-fat, bulk density, protein, lactose, minerals, freezing point,
conductivity, and pH, for a total of 167 assays. Out of these, 101 were used to train
the network, 33 for validation, and 33 to test the artificial neural network. The best
classification was obtained using a radial basis function neural network. k-means
algorithm was used to obtain the network center, k-nearest was used to define the
receptive fields, and the pseudo-inverse method was used to define the weights of the
output layer. The best result was found with a network with 10 neurons in the input
layer, 40 neurons in the hidden layer, and two neurons in the output layer, achieving
over 95% accuracy in classification. The classification methodology using artificial
neural networks has strong potential to be applied in interpreting data from routine
analysis in dairy companies in order to classify milk adulterated with whey and,
later, confirm the result using official methodologies.
