Redes neurais artificiais aplicadas à análise sensorial de requeijão light / Artificial neural networks applied to the sensory analysis of light cream cheese

AUTOR(ES)
FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

18/07/2011

RESUMO

O presente trabalho objetivou desenvolver modelos matemáticos empregando a técnica de Redes Neurais Artificiais (RNA’s) como alternativa potencial aos métodos estatísticos tradicionais para modelar as características sensoriais do requeijão light por meio de medidas instrumentais, da composição química, bem como a aceitabilidade sensorial do consumidor frente às diferentes texturas. Todas as RNA’s desenvolvidas foram do tipo multicamas feedforward, treinadas por meio do algoritmo back-propagation. Os dados utilizados para treinar e testar/validar as RNA’s foram obtidos da caracterização reológica e sensorial de nove formulações de requeijão light. Inicialmente, foi desenvolvida uma rede de 8-3-9-2 neurônios em suas camadas para estabelecer a relação entre medidas instrumentais (firmeza, gomosidade, mastigabilidade, elasticidade, coesividade, tensão inicial, viscosidade aparente, tangente δ,) e os atributos sensoriais de consistência e espalhabilidade. Um apropriado método de transformação dos dados foi aplicado para reduzir as variações das notas sensoriais atribuídas pelos julgadores treinados. Essa RNA foi a que melhor se adequou à modelagem dos dados em questão, apresentando excelente capacidade de generalização, com um erro (RMSE) de validação de 0,0506. Em uma segunda etapa, foram construídas duas RNA’s, Rede 1 (com dados originais) e Rede 2 (com dados transformados), as quais foram comparadas quanto ao seu desempenho para classificar os requeijões em diferentes classes de aceitação (“Aceito” e “Rejeitado”) a partir das medidas instrumentais descritas acima. A rede ótima apresentou uma arquitetura caracterizada por 8-3-3-2 neurônios em suas camadas e foi desenvolvida com os dados transformados (Rede 2), a qual apresentou um ótimo desempenho na classificação das duas categorias de aceitação, bem superior se comparado à Rede 1. Além disso, demonstrou uma excelente capacidade de generalização, com um baixo erro (RMSE) de validação de 0,1022. Posteriormente, foi estabelecida a relação entre os dados de composição química (teor de gordura e teor de água) do requeijão e seus atributos sensoriais (consistência, espalhabilidade, aroma característico, sabor característico, viscosidade e adesividade), RNA essa, que também foi analisada em relação às medidas originais dos atributos sensoriais (Rede 1) e medidas transformadas (Rede 2). Verificou-se que usando uma adequada transformação dos dados, a Rede 2, composta por 2-15-6-6 neurônios em suas camadas, apresentou uma excelente capacidade de predição dos atributos sensoriais com um erro (RMSE) dos dados do conjunto de validação igual a 0,0632. Em seguida, esta técnica de modelagem foi comparada com o modelo de Regressão Linear Múltipla (RLM) apresentando as mesmas condições para construção e validação dos modelos. Constatou-se, por meio de um teste t pareado, que o modelo de RNA apresentou melhor desempenho que a RLM ao nível de 10 % de significância. Assim, constata-se que uma excelente e promissora alternativa, para indústria de alimentos, na modelagem de dados que caracterizam diferentes texturas do requeijão light, a fim de atingir os anseios e necessidades dos consumidores, é o uso da ferramenta denominada RNA, visto que elas necessitam apenas de um conjunto representativo de dados de entrada-saída para aprender as relações implícitas nesses, predizendo e classificando acertadamente as variáveis dependentes de interesse. Além de apresentarem vantagens atrativas para aplicações industriais como precisão, simplicidade e baixo custo para sua implementação.

ASSUNTO(S)

sensorial redes neurais requeijão ciencia de alimentos sensory neural networks cream cheese

ACESSO AO ARTIGO

Documentos Relacionados