Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38562| Título: | Uso de infravermelho próximo e visão computacional combinados com aprendizado de máquina para classificação de fubá orgânico adulterado |
| Título(s) alternativo(s): | Use of near infrared and computational vision combined with machine learning for classification of adulterated organic cornmeal |
| Autor(es): | Roza, Patrick Guilherme |
| Orientador(es): | Lima, Vanderlei Aparecido de |
| Palavras-chave: | Alimentos - Adulteração e inspeção Agricultura orgânica Espectroscopia de infravermelho Food adulteration and inspection Organic farming Infrared spectroscopy |
| Data do documento: | 26-Jun-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | ROZA, Patrick Guilherme. Uso de infravermelho próximo e visão computacional combinados com aprendizado de máquina para classificação de fubá orgânico adulterado. 2025. Trabalho de Conclusão de Curso (Bacharelado em Química) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2025. |
| Resumo: | A crescente demanda por produtos orgânicos e seu alto valor agregado têm impulsionado casos de adulteração alimentar, comprometendo a autenticidade e a confiança do consumidor. Este trabalho propôs o desenvolvimento e avaliação de dois métodos não destrutivos para a detecção de fraudes em fubá orgânico adulterado com farinha de trigo: visão computacional por análise dos canais de cor (RGB/HSV) e espectroscopia no infravermelho próximo (NIR), ambos combinados com algoritmo de aprendizado de máquina, o Random Forest (RF). Foram preparadas amostras de fubá com dois níveis de adulteração (20% e 30%) e outro conjunto de amostras com fubá puro sem adulteração. As amostras foram foto-registradas e submetidas à extração de atributos cromáticos e leituras espectrais, em infravermelho próximo (NIR). Os modelos de classificação foram construídos nas linguagens Python e R, com validação para atestar a eficácia do modelo de classificação. As métricas de avaliação dos modelos foram apresentadas na forma de matriz de confusão e F1-score. O modelo baseado em atributos de cor apresentou acurácia de até 75% no conjunto de teste, com destaque para os canais de saturação e vermelho como os mais relevantes. O modelo espectroscópico alcançou acurácia superior a 99%, com elevada precisão e demonstrando excelente capacidade de generalização. Os resultados comprovam a eficácia das técnicas propostas, que se mostraram viáveis, acessíveis e promissoras para a autenticação de produtos alimentícios, podendo ser aplicadas em rotinas de controle de qualidade na indústria ou em inspeções regulatórias em alimentos. |
| Abstract: | The growing demand for organic products and their high added value have driven an increase in food adulteration cases, compromising product authenticity and consumer trust. This study proposed the development and evaluation of two non-destructive methods for detecting fraud in organic cornmeal adulterated with wheat flour: computer vision through analysis of color channels (RGB/HSV) and near-infrared (NIR) spectroscopy, both combined with a machine learning algorithm, Random Forest (RF). Samples of cornmeal with two levels of adulteration (20% and 30%) were prepared, along with a set of pure, non-adulterated cornmeal samples. The samples were photographed, and both color attributes and NIR spectral readings were extracted. The classification models were developed using Python and R, with validation to assess their classification performance. The evaluation metrics were presented using confusion matrices and F1-scores. The color-based model achieved an accuracy of up to 75% on the test set, with the saturation and red channels standing out as the most relevant. The spectroscopic model achieved an accuracy greater than 99%, demonstrating high precision and excellent generalization capability. The results confirm the effectiveness of the proposed techniques, which proved to be viable, accessible, and promising for the authentication of food products and can be applied in routine quality control in the food industry or regulatory inspections.The growing demand for organic products and their high added value have driven cases of food adulteration, compromising authenticity and consumer confidence. This work proposed the development and evaluation of two non-destructive methods for detecting fraud in organic cornmeal adulterated with wheat flour: computer vision by color channel analysis (RGB/HSV) and near-infrared spectroscopy (NIR), both combined with machine learning algorithms. Cornmeal samples with three levels of adulteration (0%, 20% and 30%) were prepared and subjected to the extraction of chromatic and spectral attributes. The classification models were built in Python and R, with validation by accuracy, confusion matrix and F1-score. The model based on color attributes showed accuracy of up to 75% in the test set, with emphasis on the saturation and red channels as the most relevant. The spectroscopic model achieved accuracy above 99%, with high precision and demonstrating excellent generalization capacity. The results prove the effectiveness of the proposed techniques, which proved to be viable, accessible and promising for the authentication of food products, and can be applied in quality control routines in the industry or in regulatory |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38562 |
| Aparece nas coleções: | PB - Química |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| infravermelhoaprendizadomaquina.pdf | 564,33 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
