| Summary: | Made available in DSpace on 2015-05-14T13:21:32Z (GMT). No. of bitstreams: 1
arquivototal.pdf: 15006665 bytes, checksum: 541b3c9095c1006563486163e559d5fd (MD5)
Previous issue date: 2014-02-03 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES === The search for a better quality of life has led to increased consumption of
foods with fewer calories, high in fiber and vitamins, and obtained from
different forms of cultivation.
Amid these foods, there are cereal bars and lettuce, foods that are easily
accessible, widely consumed and have high nutritional values. Like any
other food, require efficient methods that can ensure its quality. Thus, the
need for rapid, accurate analytical methods and low cost, which can help
to identify and classify these foods safely arises. Within this perspective,
this paper makes use of Near Infrared Spectroscopy (NIR) combined with
Linear Discriminant Analysis (LDA) to classify samples of cereal bars and
lettuce. A total of 121 samples of cereal bars, three distinct types
(conventional, diet and light) and 104 samples of three different types of
lettuce cultivation (conventional, organic and hydroponic) was used. The
acquisition of the spectra was made on equipment Spectrum 400 (Perkin
Elmer) with accessory NIRA (Near Infrared Reflectance Acessory) in the
range 10000 - 4000 cm-1. Classification models were constructed by
combining the LDA algorithms and variable selection: Stepwise (SW),
Successive Projections Algorithm (SPA) and Genetic Algorithm (GA).
Strategies for pre - processing data were evaluated and the efficiency of
the models was determined from the of correct classification rate (CCR)
for the full set of samples and the test set. For both matrices the model
that generated a better CCR was the GA-LDA valued 95% to matrix of the
cereal bars and 97.1 % for array of lettuces, both based on the total set of
samples (training, validation and testing). Regarding the set of test
models presented results of CCR with performance of 90.3 % and 95.4 %
for matrices of cereal bars and lettuce respectively. === A busca por uma melhor qualidade de vida tem levado ao aumento do
consumo de alimentos com menos calorias, ricos em fibras e vitaminas, e
obtidos de formas de cultivo diferenciadas. Em meio a esses alimentos,
encontram-se as barras de cereais e as alfaces, que são alimentos de fácil
acesso, muito consumidos e que possuem altos valores nutricionais. Como
qualquer outro alimento, necessitam de métodos eficientes que possam
assegurar sua qualidade. Assim, surge a necessidade de métodos
analíticos rápidos, precisos e de baixo custo, que possam ajudar a
identificar e classificar com segurança a esses alimentos. Dentro desta
perspectiva, este trabalho faz uso da Espectroscopia no Infravermelho
Próximo (NIR) aliada a Análise Discriminante Linear (LDA) para classificar
amostras de barras de cereais e alfaces. Um total de 121 amostras de
barras de cereais, de três tipos distintos (convencional, diet e light) e 104
amostras de alface de três diferentes tipos de cultivo (convencional,
orgânico e hidropônico) foi utilizado. A aquisição dos espectros foi feita no
equipamento Spectrum 400 (Perkin Elmer) com acessório NIRA (Near
Infrared Reflectance Acessory) na faixa de 10.000 a 4.000 cm-1. Modelos
de classificação foram construídos através da associação da LDA e
algoritmos de seleção de variáveis: Stepwise (SW), Algoritmo das
Projeções Sucessivas (SPA) e Algoritmo Genético (GA). Estratégias de
pré-processamento de dados foram avaliadas e a eficiência dos modelos
foi determinada em relação à taxa de classificação correta (TCC), para o
conjunto total das amostras e para o conjunto de teste. Para as duas
matrizes o modelo que gerou um melhor TCC foi o GA-LDA com valor de
95% para matriz das barras de cereais e 97,1% para matriz das alfaces,
ambos baseados no conjunto total das amostras (treinamento, validação e
teste). Em relação ao conjunto de teste os modelos apresentaram
resultados de TCC com desempenho de 90,3% e 95,4% para as matrizes
das barras de cereais e alfaces respectivamente.
|
|---|
