Applying artificial neural networks as a test to detect milk fraud by whey addition | APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS COMO TESTE DE DETECÇÃO DE FRAUDE DE LEITE POR ADIÇÃO DE SORO DE QUEIJO

English. This study aimed to employ Artificial Neural Networks to classify milk samples from routine analysis of a dairy company in order to identify adulteration by whey addition. The samples were prepared by mixing the milk with different whey concentrations (0, 1, 5, 10, and 20%), which were then analyzed for temperature, fat content, solids-non-fat, bulk density, protein, lactose, minerals, freezing point, conductivity, and pH, for a total of 167 assays. Out of these, 101 were used to train the network, 33 for validation, and 33 to test the artificial neural network. The best classification was obtained using a radial basis function neural network. k-means algorithm was used to obtain the network center, k-nearest was used to define the receptive fields, and the pseudo-inverse method was used to define the weights of the output layer. The best result was found with a network with 10 neurons in the input layer, 40 neurons in the hidden layer, and two neurons in the output layer, achieving over 95% accuracy in classification. The classification methodology using artificial neural networks has strong potential to be applied in interpreting data from routine analysis in dairy companies in order to classify milk adulterated with whey and, later, confirm the result using official methodologies.

Portuguese. Esse trabalho foi realizado com o objetivo de empregar Redes Neurais Artificiais para classificar amostras de leite, a partir de análises de rotina de um laticínio, em amostras de leite adulteradas ou não, quanto à adição de soro de queijo. As amostras foram preparadas através da mistura do leite com diferentes concentrações de soro (0, 1, 5, 10 e 20%) sendo analisadas quanto a temperatura, teor de gordura, extrato seco desengordurado, densidade, proteína, lactose, sais minerais, ponto de congelamento, condutividade e pH, totalizando 167 ensaios. Desses 167 ensaios, 101 foram usados para treinamento da rede, 33 para validação e outros 33 para testar a rede neural artificial. A melhor rede de classificação foi uma rede neural de função de base radial. Para obter os centros da rede foi usado o algoritmo k-means, para definir a largura dos campos receptivos o k-nearest e os pesos da camada de saída foram definidos usando o método da pseudo-inversa. A rede com melhor resultado apresentou 10 neurônios na camada de entrada, 40 neurônios na camada oculta e dois na camada de saída, sendo possível obter mais de 95% de acertos na classificação. A metodologia de classificação por Redes Neurais Artificiais apresenta um grande potencial de aplicação na interpretação de dados de análises de rotina nos laticínios para classificação do leite em adulterado por soro de queijo e, posteriormente, confirmação do resultado por metodologia oficial.