Artificial neural networks applied to the sensory analysis of light cream cheese

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.This study aimed to develop mathematical models using the technique of Artificial Neural Networks (ANN) as a potential alternative to traditional statistical methods for modeling of the sensory characteristics of light cream cheese by means of instrumental measurements, chemical composition and the sensory acceptability of the consumer based on different textures. All ANN’s developed were multilayer feedforward networks, trained using the backpropagation algorithm. The data used to train and test/validate the ANN’s were obtained from rheological and sensory characterization of nine formulations of light cream cheese. Initially, a network of 8-3-9-2 neurons in its layers was developed to establish the relationship between instrumental measurements (firmness, gumminess, chewiness, elasticity, cohesiveness, yield stress, viscosity, tangent δ,) and the sensory attributes of consistency and spreadability. An appropriate data transformation method was applied to reduce the variations in the sensory scores reported by trained judges. This ANN was that which best adapted to modeling of such data, showing excellent ability of generalization with a validation error (RMSE) of 0.0506. In a second step two ANN’s were constructed, Network 1 (with original data) and Network 2 (transformed data), which were then compared regarding their performance to rank the cream cheeses into different classes of acceptance ("Accepted", "Rejected") from the instrumental measures described above. The optimized network presented an architecture characterized by 8-3-3-2 neurons in layers and was developed with the transformed data (Network 2), which presented excellent performance in the classification of two acceptance categories, better than Network 1. Moreover, it showed an excellent generalization capacity, with a low validation error (RMSE) of 0.1022. Subsequently, a relationship was established between the data of chemical composition (fat and water content) of the cream cheeses and their sensory attributes (consistency, spreadability, aroma, flavor, viscosity and adhesiveness), where this ANN was also analyzed in relation to the original measurements of the sensory attributes (Network 1) and transformed measurements (Network 2). It was found that when using appropriate data transformation, Network 2, composed 2-15-6-6 neutrons in its layers, presented an excellent prediction capacity of sensory attributes with an error (RMSE) of data from the validation set equal to 0.0632. Then, this modeling technique was compared with the model of Multiple Linear Regression (MLR) exhibiting the same conditions for construction and validation of the models. Using a paired t-test, it was found that the ANN model performed better than the MLR at a 10 % significance level. Thus, the ANN appears that an excellent and promising alternative for the food industry in regards to modeling of data that characterize the different textures of light cream cheese, in order to meet the desires and needs of consumers, since it requires only a representative set of input-output data to learn the relationships, accurately predicting and classifying the dependent variables of interest. This alternative also presents attractive advantages for industrial applications such as accuracy, simplicity and low cost for its implementation.Conselho Nacional de Desenvolvimento Científico e Tecnológic