Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-05-10T15:22:19Z No. of bitstreams: 1 filomenakarladecastromonteiro.pdf: 1755459 bytes, checksum: 91845180c7ce3943887a7bd4ce852e45 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-06-15T19:09:48Z (GMT) No. of bitstreams: 1 filomenakarladecastromonteiro.pdf: 1755459 bytes, checksum: 91845180c7ce3943887a7bd4ce852e45 (MD5) / Made available in DSpace on 2016-06-15T19:09:48Z (GMT). No. of bitstreams: 1 filomenakarladecastromonteiro.pdf: 1755459 bytes, checksum: 91845180c7ce3943887a7bd4ce852e45 (MD5) Previous issue date: 2015-08-03 / Uma das adulterações que ocorre em leite é a adição de soro que é atualmente no Brasil 90% mais barato. É um problema particularmente complexo, porque as análises não podem ser realizadas rapidamente. O soro de leite é muitas vezes descartado pela indústria de laticínio durante a fabricação de queijo, o que é proibido por questões ambientais. O soro tem sido utilizado para adulteração de leite fluido e em pó. A adição de soro pode ser detectada pela análise de CMP por HPLC ou eletroforese, que são técnicas trabalhosas e demoradas para serem executadas. Este trabalho apresenta um método para quantificar adição de soro ao leite cru por espectroscopia no infravermelho com transformada de Fourier associada ao método PLS e redes neurais artificiais, comparando os resultados com os obtidos pela determinação de CMP por HPLC. O soro foi obtido através da adição de quimosina ao leite cru, após a formação do coágulo, foi então separado, filtrado, aquecido à temperatura de 80º C e resfriado. Foram adicionados soro ao leite nas concentrações 0% (sem adição de soro); 1%; 4,25%; 7,5%; 10,75%; 14%; 17,25%; 20,5% realizadas em triplicata e nas concentrações de 2,5%; 6%; 9%; 19%; 22% para validação. As análises estatísticas empregadas: PLS apresentaram coeficiente de determinação R2 de 0,9885 para o conjunto de calibração e R2 de 0,9543 para o conjunto de validação, e redes neurais apresentaram R2 de 0,9999 para o conjunto de treinamento e R2 de 0,99996 para o conjunto de validação mostrando que as medições de NIR associado ao PLS e redes neurais pode ser utilizada para quantificar a adição de soro em leite cru. / A common doctoring concerning milk is the addition which is currently, in Brazil, 90% cheaper. It is a particularly complex problem because the analysis can´t be made quickly. The whey is, in many times, discarded by the dairy industry during the making of the cheese, which is forbidden for environmental reasons. The whey has been used for the doctoring of liquid and powder milk. The addition of whey can be detected by CMP analysis by HPLC analysis or electrophoresis which are laborious and lengthy techniques to be executed. This paper presents a method to quantify the addition of whey to the raw milk by spectroscopy on the infrared with Fourier transform associated with the PLS method, and artificial neural networks comparing the results to the ones obtained by the determination of CMP by HPLC. The whey obtained through the addition of chymosin to the raw milk, after the formation of the clot, it was, then, separated, filtered, heated to the temperature of 80ºC and cooled. Whey was added to the milk in the concentrations of 0% (no addition of whey); 1%; 4,25%; 7,5%; 10,75%; 14%; 17,25%; 20,5% made in triplicate sand in the concentrations of 2,5%; 6%; 9%; 19%; 22% for validation. The statistical analysis employed: PLS presented a coefficient of determination R2 of 0,98885 for the calibration set and R2 set and R2 of 0,9543 for the validation set, and neural networks presented R2 of 0,9999 for the training set and R2 of 0,99996 for the validation set showing that the measures of NIR associated to the PLS and neural networks can be used to quantify the addition of whey to raw milk.

Submitted by ANA KARLA PEREIRA RODRIGUES (anakarla_@hotmail.com) on 2017-08-09T15:33:48Z No. of bitstreams: 1 arquivototal.pdf: 4699110 bytes, checksum: ef3b7c0aa5c4758d2c77e65ad6a81ad3 (MD5) / Made available in DSpace on 2017-08-09T15:33:48Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 4699110 bytes, checksum: ef3b7c0aa5c4758d2c77e65ad6a81ad3 (MD5) Previous issue date: 2016-06-20 / Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work involves the development of two studies that are presented in chapters 2 and 3. At first, a new method to perform the calibration transfer was designed. This method was developed to make use of separate variables instead of using the full spectrum or spectral windows. To accomplish this task a univariate procedure is initially used to correct the spectra recorded in the secondary equipment, given a set of transfer samples. A robust regression technique is then used to obtain a model with small sensitivity with respect to the univariate correction. The proposed method is employed in two case studies involving near infrared spectrometric determination of specific mass, research octane number and naphtenes in gasoline, and moisture and oil in corn. In both cases, better calibration transfer results were obtained in comparison with piecewise direct standardization (PDS). In the second, a new strategy for cotton seed classification using near infrared (NIR) hyperspectral images (HSI) was developed. Initially the cotton seeds samples were recorded on a station HSI image-NIR and a conventional spectrometer NIR. Thereon, the images were segmented and the mean spectrum of each seed was extract. Classification models SPA-LDA e PLS-DA based on the mean spectral were developed for two data sets. The results for models SPA-LDA and PLSDA showed that the classification with HSI-NIR data set has been achieved with greater accuracy when compared to models for the NIR-conventional data set. / Este trabalho envolve o desenvolvimento de dois estudos, que são apresentados nos capítulos 2 e 3. No primeiro, um novo método para realizar a transferência de calibração foi concebido. Este método foi desenvolvido para fazer uso de variáveis isoladas em vez de usar todo o espectro ou janelas espectrais. Para realizar essa tarefa, um procedimento univariado é inicialmente usado para corrigir os espectros registrados no equipamento secundário, dado um conjunto de amostras de transferência. Uma técnica de regressão robusta é então usada para obter um modelo com pequena sensibilidade em relação aos resíduos da correção univariada. O novo método é então empregado em dois estudos de caso envolvendo análise espectrométrica NIR, em que foram determinados os parâmetros massa específica, RON (Research Octane Number) e teor de naftênicos em gasolina e os teores de água e óleo em amostras de milho. Os resultados do novo método foram melhores do que os obtidos usando o método PDS. No segundo, uma nova estratégia para classificação de sementes de algodão usando imagens hiperespectrais no NIR foi desenvolvido. Inicialmente as amostras de sementes de algodão foram registradas em uma estação de imagem HSI-NIR e em um equipamento NIR convencional. Após isso, as imagens foram segmentadas e os espectros médios de cada semente foram extraídos. Os modelos de classificação SPA-LDA e PLS-DA baseados nos espectros médios foram construídos para os dois conjuntos de dados. Os resultados SPA-LDA e PLS-DA para os modelos demonstraram que a classificação com os dados HSI-NIR foi alcançada com maior exatidão quando comparada aos modelos obtidos usando o NIR-convencional.