Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/334604
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Caracterização e identificação de carne de aves por métodos não-destrutivos : Characterization and identification of poultry meat by non-destructive methods
Title Alternative: Characterization and identification of poultry meat by non-destructive methods
Author: Nolasco Pérez, Irene Marivel, 1973-
Advisor: Barbin, Douglas Fernandes, 1980-
Abstract: Resumo: Atualmente a espectroscopia no infravermelho próximo (NIR) é utilizada na indústria agro-alimentar como uma técnica analítica não destrutiva, por ser rápida e dispensar a utilização de reagentes. No presente estudo, foi utilizada espectroscopia de infravermelho próximo (NIR) com um equipamento portátil e imagens hiperespectrais NIR (NIR-HSI) combinada com algoritmos de aprendizado de máquina e análise multivariada para a classificação e identificação de amostras de carnes moídas. Num primeiro trabalho, foram identificados diferentes partes de frango (peito, sobrecoxa e coxa) . As amostras de diferentes cortes de frango foram classificadas utilizando o NIR portátil combinados com algoritmos de machine learning (ML) e analises multivarida. Atributos físicos e químicos (características de cor, pH e L * a * b *) e composição química (proteína, gordura, umidade e cinzas) foram determinados para cada amostra (moidas e inteiras). Foram utilizados análise de componentes principais (PCA), algoritmos de Suport Vector Machine (SVM) e Random Forest (RF) e análises discriminantes (LDA) para a classificação das amostras. Os resultados confirmaram a possibilidade de diferenciar as amostras de peito, sobrecoxa e coxas com 97% de precisão, comprovando potencial deste método para diferenciar os cortes de frango. Num segundo trabalho, além das tecnologias mencionadas, foi usada a imagem RGB (RGB-I) para classificar três diferentes espécies de carne (frango, suína e bovina) e detectar diferentes quantidades de mistura entre elas. Os dados espectrais foram adquiridos para o NIR portátil no intervalo de comprimento de onda entre 900 e 1700 nm, enquanto para as imagens hiperespectrais no NIR foram entre 900 e 2500 nm. Para a classificação de diferentes espécies de carne moida, realizou-se PCA utilizando-se todas as varivéis e após seleção de variavéis latentes (VL), se realizou a LDA para classificar as amostras puras. Os dados brutos e pré-processados foram investigados separadamente como preditores dos modelos de regressão por mínimos quadrados parciais (PLSR). Além disso, este modelo utilizou as VL mais relevantes, com o objetivo de otimizar o processamento de dados. Os resultados de PLSR foram comparados usando coeficiente de determinação de previsão (R2p), relação do desempenho do desvio (RPD) e razão de intervalo do erro (RER). Os melhores resultados foram com NIR-HSI e RGB-I (R2p = 0,92, RPD = 3,82, RER = 15,77 e R2p = 0,86, RPD = 2,66, RER = 10,99 respectivamente). PCA e LDA aplicadas aos dados espectrais (NIR portátil e NIR-HSI) e nas VL (RGB-I) classificaram os três tipos de carne pura (frango, bovina e suína) com 100% de precisão. Finalmente, conclui-se que essas técnicas têm grande potencial para utilização na indústria de processamento de carnes e por instituições que realizam inspeções de segurança e qualidade dos alimentos

Abstract: Near-infrared (NIR) spectroscopy is currently used in the agriculture and food industry as a non-destructive, fast and reagentless analytical technique. In the present study, the use of portable near-infrared (NIR) technology and NIR hyperspectral images combined with machine learning algorithms and multivariate statistical analysis were used to classify samples of different chicken cuts (breast, thigh, and drumstick). In addition to the mentioned technologies, the RGB (RGB-I) image was used to classify three different meat species (chicken, pork and beef) and to detect different amounts of mixture between them. The portable NIR spectral data were acquired in the wavelength range between 900 and 1700 nm, while the hyperspectral images were acquired between 900 and 2500 nm. The different chicken parts were classified using the portable NIR combined with machine learning algorithms (ML) and multivariate analyzes. Physical and chemical attributes (pH and L*a*b* color features) and chemical composition (protein, fat, moisture, and ash) were determined for each sample (minced and non-minced). The spectral data exploited by principal component analysis (PCA), the algorithms of support vector machine (SVM) and random forest (RF) and linear discriminant analysis (LDA) were compared for the classification of chicken meat. Results confirmed the possibility of differentiating the breast samples, thighs and drumstick with 97% accuracy. PCA and LDA applied to spectral data (portable NIR and NIR-HSI) and the latent variables (RGB-I) classified 100% of the three types of pure ground meat (chicken, beef, pork). The results showed potential to use NIR portable spectrometer to differentiate the chicken parts and to classify meats of different species together with multivariate analysis. Regarding the classification of different meat species, PCA was performed on all variables and optimized on the latent variables selected with LDA to classify pure samples. Raw and preprocessed data were investigated separately as predictors of Partial Least Squares Regression (PLSR) models. In addition, this model was performed using the most relevant latent variables with the objective of optimizing data processing. Results of PLSR obtained to authenticate the chicken samples with the three spectroscopic techniques were compared using the coefficient of determination for prediction (R2p), ratio performance to deviation (RPD) and ratio of error range (RER). The best results were obtained with NIR-HSI and RGB-I (R2p = 0.92, RPD = 3.82, RER = 15.77 and R2p = 0.86, RPD = 2.66, RER = 10.99 respectively). Based on the results, these techniques can be used on-line by the meat processing industry and by institutions carrying out food safety and quality inspections
Subject: Imagem hiperespectral
Tecnologia analitica de processos
Espectroscopia de infravermelho próximo
Análise estatística multivariada
Aprendizado de máquina
Quimiometria
Language: Português
Editor: [s.n.]
Citation: NOLASCO PÉREZ, Irene Marivel. Caracterização e identificação de carne de aves por métodos não-destrutivos: Characterization and identification of poultry meat by non-destructive methods. 2019. 1 recurso online (120 p.). Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia de Alimentos, Campinas, SP.
Date Issue: 2019
Appears in Collections:FEA - Tese e Dissertação

Files in This Item:
File SizeFormat 
NolascoPerez_IreneMarivel_D.pdf2.2 MBAdobe PDFView/Open


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