Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/345392
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Máquinas de vetores de suporte e espectroscopia vibracional para autenticação e classificação de alimentos
Title Alternative: Support vector machines and vibrational spectroscopy for food authentication and classification
Author: Cardoso, Victor Gustavo Kelis, 1996-
Advisor: Poppi, Ronei Jesus, 1961-2020
Abstract: Resumo: Essa Dissertação de Mestrado possuiu como foco o tratamento de dados de análise de alimentos por espectroscopia vibracional utilizando máquina de vetores de suporte (SVM). Foram realizadas duas aplicações, sendo que na primeira foi proposto um método para identificar a presença de farinha de trigo, que contém glúten em sua constituição, em tapioca usando espectroscopia Raman e classe única por SVM (OC-SVM). O modelo de classe única por SVM pode discriminar as amostras com adulteração maior que 2% (m/m). Já o modelo SIMCA, a ferramenta mais aplicada para este tipo de análise, pode discriminar amostras com adulterações maiores que 5% (m/m) de farinha de trigo. Alguns outros adulterantes também foram avaliados para verificar a eficiência do modelo de classe única na identificação de substâncias desconhecidas, onde foram facilmente discriminados. A segunda aplicação visou propor um método não-invasivo para identificação de quatro blends comerciais de chá verde utilizando espectroscopia no infravermelho próximo (NIR), análise discriminante por SVM (SVM-DA) e otimização Bayesiana. As amostras foram analisadas por espectrômetros portátil e de bancada, analisando a erva dentro e fora do sachê e o sachê vazio. Foi observado que o sachê vazio não apresenta sinais que auxiliem na discriminação das classes, mas atua como interferente, especialmente para o equipamento portátil, devido às limitações instrumentais. Os modelos SVM-DA apresentaram 90 e 93% de exatidão na discriminação dos chás dentro e fora dos sachês, respectivamente. Já os modelos PLS-DA, a ferramenta mais aplicada para este tipo de análise, puderam discriminar os mesmos conjuntos com 87 e 83% de exatidão respectivamente. Portanto, foi constatado que a máquina de vetores de suporte possui uma excelente performance no tratamento de dados de análise de alimentos por espectroscopia vibracional, inclusive superando os algoritmos que são normalmente empregados em quimiometria

Abstract: This Master¿s Dissertation focuses on data treatment of food analysis by vibrational spectroscopy using support vector machines (SVM). Two studies were performed. The first one aimed at developing a method to identify wheat flour content, which is a high-in-gluten food, in cassava starch by Raman spectroscopy and one-class SVM (OC-SVM). OC- SVM could discriminate adulterated samples with wheat flour content over 2% (w/w). On the other hand, SIMCA, the most applied tool in this type of analysis, could discriminate adulterated samples with wheat flour content over 5% (w/w). Other adulterants were also applied to evaluate the one-class classifier performance in identifying non-target samples with unknown substances, which were easily identified. The second study aimed at proposing a non-invasive method to identify four commercial blends of green tea using near infrared (NIR) spectroscopy, SVM discriminant analysis (SVM-DA) and Bayesian optimization. Handheld and benchtop spectrometers were used to analyze green tea samples inside and outside teabag and empty teabag. Teabag did not provide bands that helped in class discrimination, but acted as interfering, especially in analyses performed in handheld instrument due to its instrumental limitations. SVM-DA provided 90 and 93% of accuracy in tea discrimination analyzed inside and outside teabags, respectively. PLS-DA, the most used tool in this type of analysis, could discriminate the classes of the same dataset with 87 and 83% of accuracy. Therefore, support vector machine may provide exceptional performances in data treatment of food analysis by vibrational spectroscopy, outperforming several algorithms largely used in chemometric analyses
Subject: Máquina de vetores de suporte
Alimentos - Análise
Espectroscopia Raman
Espectroscopia de infravermelho
Aprendizado de máquina
Quimiometria
Química analítica
Language: Português
Editor: [s.n.]
Citation: CARDOSO, Victor Gustavo Kelis. Máquinas de vetores de suporte e espectroscopia vibracional para autenticação e classificação de alimentos. 2020. 1 recurso online (146 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Química, Campinas, SP.
Date Issue: 2020
Appears in Collections:IQ - Tese e Dissertação

Files in This Item:
File SizeFormat 
Cardoso_VictorGustavoKelis_M.pdf11.62 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.