DETECÇÃO DE ADULTERAÇÃO EM MEL POR MEIO DE IMAGENS DIGITAIS E ANÁLISE MULTIVARIADA

ISBN 978-85-85905-25-5

Área

Química Analítica

Autores

França, V.F. (UFPB) ; Monteiro, G.F. (UEPB) ; Santos, M.B.H. (UFPB)

Resumo

O objetivo deste trabalho foi desenvolver uma metodologia de baixo custo com uso de imagens digitais e análise multivariada para identificar adulterações em um mel realizadas com uma solução de glicose, nos seguintes percentuais 0%, 17%, 33% e 50%. A aquisição das imagens digitais foi feita com a webcam LifeCam Cinema HD. Para captura das imagens utilizou-se a interface ImagensGui acoplado ao programa computacional Matlab® 2009b. As análises de reconhecimento de padrões não supervisionada PCA e supervisionada SIMCA foram realizadas no The Unscrambler 9.7. De acordo com os resultados obtidos é possível afirmar que o uso de imagens digitais aliada a análise multivariada forneceu um desempenho eficiente para identificar os diferentes níveis de adulteração no mel.

Palavras chaves

Fraude; PCA; SIMCA

Introdução

O mel é um alimento de origem natural composto por enzimas, aminoácidos, ácidos orgânicos, carotenoides, vitaminas, minerais, substâncias aromáticas e açúcares, seu componente majoritariamente. Devido à sua alta quantidade de compostos fenólicos, como flavonoides e ácidos fenólicos, que por sua vez, atuam como agentes antioxidantes, o mel é muito apreciado (SILVA et al., 2016). A composição do mel varia de acordo com as condições geográficas das flores, clima e espécies de abelhas envolvidas na sua produção. Neste contexto, no Brasil destaca-se a região do semiárido nordestino, por apresentar uma biodiversidade única de abelhas e de flora nativa, produzindo mel com características singulares organolépticas e de composição (AL-FARSI et al., 2018; SOUSA et al., 2016). Contudo, o aumento da degradação ambiental ao longo dos anos levou a uma diminuição da população nativa de abelhas e consequentemente a uma baixa na produção de mel. A escassez do produto faz com que os casos de adulteração sejam cada vez mais evidentes no mercado (ZÁBRODSKÁ; VORLOVÁ, 2014). Ante o exposto, faz-se necessário a identificação da adulteração dos méis, porém a maioria dos métodos envolvem processos complexos com várias amostras, reagentes, trabalho manual, e, além disso, o processo destrói a amostra. Surge, assim, a necessidade de utilização de técnicas não destrutivas, que possuam um baixo custo como a que utiliza imagens digitais associadas aos métodos de reconhecimento de padrões. Sendo assim, o objetivo deste trabalho foi desenvolver uma metodologia de baixo custo com uso de imagens digitais e análise multivariada para identificar adulterações em um mel oriundo do município de Areia-PB.

Material e métodos

O mel foi adquirido no comércio local do município de Areia – PB, armazenado e encaminhado para análise no Laboratório de Química Analítica do Departamento de Química e Física (DQF) do Centro de Ciências Agrárias (CCA), Campus II da Universidade Federal da Paraíba (UFPB). A adulteração do mel foi realizada com uma solução de glicose 0,965 mol. L-1, nos seguintes percentuais 0%, 17%, 33% e 50%. Esses foram selecionados, pois dificilmente por meio de uma inspeção visual seria possível identificar as adulterações, nas quatro (04) amostras resultantes: C1, C2, C3 e C4, respectivamente. A aquisição das imagens digitais foi feita com a webcam LifeCam Cinema HD (previamente conectada ao computador). Após a otimização da luz ambiente, cinco imagens de cada amostra foram capturadas. A utilização da interface ImagensGui acoplada ao programa computacional Matlab® 2009b possibilitou a captura dos dados quimiométricos que geraram um banco de dados numéricos, o qual foi importado para o The Unscrambler 9.7 para análise e reconhecimento de padrões. Como técnica de reconhecimento de padrões não supervisionadas optamos nesse trabalho por utilizar a Análise de Componentes Principais (Principal Component Analysis – PCA), técnica utilizada para verificar a formação de agrupamentos ou não, considerando as similaridades entre as amostras (BEEBE; PELL; SEASHOLTZ, 1998; GONZÁLEZ, 2007). Quanto à técnica de análise supervisionada utilizou-se a modelagem independente e flexível por analogia de classes (Soft Independent Modelling of Class Analogs - SIMCA), que prevê se uma amostra pertence ou não a determinada classe de amostras (BEEBE; PELL; SEASHOLTZ, 1998; GONZÁLEZ, 2007).

Resultado e discussão

A Figura 1 apresenta o gráfico dos escores como resultado obtido a partir da aplicação da PCA (PC1 versus PC2) nos dados brutos. Nesse gráfico nota-se que os dois primeiros componentes principais (PC1 56% e PC2 30%) explicam juntos 86% da variabilidade dos dados. Baseado na análise do gráfico dos escores exposto na Figura 1, percebe-se uma tendência de separação entre as amostras de mel adulterada e uma proximidade entre os agrupamentos de concentrações de adulteração parecidas, como C1 e C2. Observa-se ainda na Figura 1 que não existe amostras isoladas e, por isso, todas foram utilizadas. Ao utilizar o SIMCA, 100% das amostras foram classificadas corretamente de acordo com o percentual de adulteração do mel, a um nível de confiança de 95%. Domínguez et al. (2014) conseguiram resultados similares aos desse trabalho ao utilizar a modelagem SIMCA para a classificação de méis argentinos de acordo com a origem geográfica dos produtos.

Gráfico dos escores (PC1vsPC2) para as amostras adulteradas de mel com uma solução de glicose nos seguintes percentuais C1 0%, C2 17%, C3 33% e C4 50%

Conclusões

De acordo com os resultados obtidos é possível afirmar que o uso de imagens digitais aliada a análise multivariada forneceu um desempenho eficiente para identificar os diferentes níveis de adulteração no mel, sendo uma metodologia promissora, precisa, menos laboriosa, não destrutiva, rápida e com menor custo.

Agradecimentos

DQF; CCA; UFPB.

Referências

AL-FARSI, M.et al. Color, flavonoids, phenolicsandantioxidantsof Omani honey. Heliyon, v. 4, 2018.
BEEBE, K.R. PELL, R.J.; SEASHOLTZ, M.B. Chemometrics A PracticalGuide. New York: John Wiley& Sons, 1998.
DOMÍNGUEZ, M. A. et al. GeographicaloriginclassificationofArgentineanhoneysusing a digital image-basedflow-batch system. MicrichemicalJournal, v. 112, p. 104 – 108, 2014.
GONZÁLEZ, A. G. Use andmisuseofsupervisedpatternrecognitionmethods for interpretingcompositional data. JournalofChromatographyA, v. 1158, p. 215, 2007.
SILVA, P. M.et al. Honey: Chemicalcomposition, stabilityandauthenticity. FoodChemistry, 2016.
SOUSA, J. M. B.et al. Sugar profile, physicochemicalandsensoryaspectsofmonofloralhoneysproducedbydifferentstinglessbeespecies in Braziliansemi-arid region. LWT - Food Science and Technology, v. 65, p. 645 – 651, 2016.
ZÁBRODSKÁ, B.; VORLOVÁ, L. Adulterationofhoneyandavailablemethods for detection. Acta Vet. Brno, v. 83, p. S85 – S102, 2014.