A realização de fraudes em leite causa prejuízos econômicos e riscos à saúde dos consumidores. A adição de soro de queijo ao leite está entre as principais fraudes, cuja finalidade é aumentar o volume fornecido com custo reduzido. As provas para detecção de fraudes são muito laboriosas, caras e demoradas, dificultando a realização na frequência determinada pela legislação. A técnica de Espectroscopia no Infravermelho (FTIR) apresentase como uma alternativa promissora para identificação desse tipo de fraude, principalmente porque um número elevado de dados analíticos de leite podem ser obtidos e avaliados nos Laboratórios da Rede Brasileira de Laboratórios de Análise da Qualidade do Leite (RBQL), credenciados pelo Ministério da Agricultura, Pecuária e Abastecimento, a exemplo do Laboratório de Análise da Qualidade do Leite da Escola de Veterinária da Universidade Federal de Minas Gerais Minas Gerais (original name) Minas Gerais (LabUFMG). Entre os métodos utilizados para Aprendizado de Máquina têm-se as Redes Neurais Artificiais (RNA) e as Árvores de Decisão, que apresentam grande potencial de uso como ferramentas de avaliação de possíveis adulterações de leite com soro de queijo. O objetivo desse trabalho foi utilizar metodologias computacionais capazes de identificar adulteração no leite por adição de soro de queijo em amostras analisadas por espectroscopia FTIR. Foram utilizadas 585 amostras de leite cru diluídas com soro obtido da fabricação do queijo minas frescal nas concentrações: 0%, 1%, 2%, 5%, 10%, 15%, 20%, 25% e 30%. As amostras foram armazenadas a 7°C, 20°C e 30°C durante 0, 24, 48, 72 e 168 horas e analisadas em aparelho FTIR do LabUFMG. Adicionalmente, 585 amostras de leite cru autêntico, coletadas de tanques de refrigeração, foram usadas juntamente com as amostras anteriores, para treinamento, teste e validação dos modelos de “machine learning”. Diferentes classificadores foram utilizados para treinar modelos capazes de reconhecer as alterações provocadas pela adição de soro de queijo ao leite nas características de composição normal do leite. Os registros de composição e os espectros resultantes das análises do equipamento FTIR foram organizados de forma a servir como entrada para a tarefa de classificação em modelos de RNA e árvores de decisão. A classificação foi realizada usando dois tipos de dados, para três tipos de modelos: os componentes numéricos foram analisados por RNA e Árvore de Decisão e o espectro total do infravermelho foi analisado por meio de Rede Neural Convolucional (CNN). A metodologia proposta foi capaz de gerar acurácias médias de 97,8%, quando se utilizam dados de composição na RNA, e de 96,2% nos testes por Árvore de decisão. Utilizando os dados espectrais (CNN) a taxa de acurácia total do modelo foi de 93,84%. O uso do FTIR associado a Redes Neurais Artificiais foi eficiente para diferenciar amostras com leite e adicionadas de soro de queijo.

Palavras-chave: Fraude. Soro de queijo. FTIR. Aprendizagem de máquina. Redes Neurais