Beyond Appearance: Transient Vision for Homogenised Milk Purity

Problema

O artigo aborda o desafio de avaliar a pureza de líquidos em embalagens seladas sem abrir o recipiente ou remover uma amostra. Os métodos tradicionais para detecção de adulteração e degradação do leite dependem de análise espectroscópica ou química, que frequentemente exigem preparação de amostra, reagentes e calibração complexa de instrumentos. Além disso, a triagem baseada em aparência (imagem RGB) é insuficiente quando os contaminantes não alteram a cor ou a estrutura visual do leite (ex: peróxido de hidrogênio ou açúcar). O estudo foca no leite homogeneizado como um exemplar de fluido complexo, visando detectar desvios de um estado "puro" definido pelo fabricante causados por impurezas materiais (sólidos, líquidos, gases) ou degradação não material (abuso térmico, validade expirada).

Metodologia

A pesquisa propõe uma abordagem de sensoriamento direta de tempo de voo (dToF) não espectral utilizando um sensor de Fotodiodo de Avalanche de Fotão Único (SPAD).

• Hardware: O sistema utiliza um módulo dToF compacto baseado em SPAD, apresentando um emissor VCSEL Classe 1 co-alinhado (~940 nm) e um arranjo de receptor de 4×4 SPAD. O sensor opera a uma distância de afastamento randomizada de 20–30 cm através de embalagens penetráveis à luz (garrafas transparentes e translúcidas).
• Aquisição de Dados: Em vez de medir a refletância espectral, o sistema registra histogramas de chegada de fótons (144 bins, resolução de ~250 ps) para cada um dos 16 zonas do sensor. Esses histogramas capturam a dispersão temporal dos fótons conforme eles se espalham através da parede da garrafa e do coloide do leite.
• Pré-processamento: O protocolo emprega um comprimento de onda fixo de ~940 nm, evitando as cadeias de calibração multi-comprimento de onda exigidas pela espectroscopia de Infravermelho Próximo (NIR). O pré-processamento envolve a estimativa da linha de base por quadro para contabilizar a luz ambiente (cenas claras vs. escuras), normalização e a extração de um recorte centrado no retorno (forma do pico) e contagem de fótons integrada por zona.
• Arquitetura do Modelo: Uma Rede Neural Convolucional (CNN) 2D de alimentação direta compacta processa os dados. A entrada é um tensor de 3 canais (16×16) por localização espacial, empilhando a forma do pico subtraída da linha de base, a forma do pico $\ell_2$-normalizada e a contagem de fótons integrada por zona. A rede utiliza um tronco convolucional seguido por uma camada linear para classificação.
• Design Experimental: O estudo compreende oito experimentos estruturados em torno de uma taxonomia de contaminação (estado da matéria, mudança de cor, consistência da mistura).
  • Divisão Treino-Avaliação: Uma restrição metodológica crítica é a partição "disjunta por garrafa" (bottle-disjoint). Os conjuntos de treinamento e avaliação utilizam garrafas físicas inteiramente diferentes para evitar o vazamento de dados (data leakage) decorrente de medidas repetidas no mesmo fluido.
  • Protocolo: Os experimentos 3–7 utilizam uma estratégia de "agrupamento de três garrafas" por rótulo (duas transparentes, uma translúcida) para garantir que o modelo aprenda estados de pureza em vez de geometrias específicas de recipientes.

Principais Contribuições

1. Sensoriamento Transiente Não Espectral: O artigo demonstra que histogramas temporais de chegada de fótons em um único comprimento de onda (~940 nm) contêm informações suficientes para distinguir o leite homogeneizado puro de vários estados adulterados, mesmo quando a aparência visual permanece inalterada.
2. Generalização ao Nível da Garrafa: Ao impor divisões disjuntas por garrafa, o estudo valida que as características aprendidas generalizam-se através de preparações independentes seladas, diferentes dias de compra e variados formatos de recipientes (transparentes vs. translúcidos).
3. Taxonomia de Contaminação: O trabalho organiza uma ampla biblioteca de 19 classes (incluindo sólidos como migalhas de pão, líquidos como suco de limão e gases como espuma de ar) e vias de degradação não material, testando a capacidade do sistema de triagem contra uma vasta gama de potenciais desvios.
4. Protocolo de Baixo Custo e Não Invasivo: A metodologia evita espectrômetros caros e reagentes químicos, utilizando um módulo SPAD de baixo custo e um pipeline de pré-processamento simplificado que não requer calibração de múltiplas bandas.

Resultados

O estudo reporta as seguintes métricas de desempenho baseadas na precisão do nível transiente:

• Estabilidade da Homogeneização (Exp 1): A análise PCA confirmou que o leite homogeneizado produz assinaturas transientes estáveis, enquanto o leite não homogêneo não o faz, justificando o foco em amostras homogeneizadas.
• Triagem Multiclasse (Exp 2): Um classificador de 19 classes alcançou aproximadamente 90% de precisão na avaliação disjunta por garrafa, distinguindo entre vários tipos de contaminantes e formatos de embalagem.
• Detecção Binária de Pureza (Exp 3): O principal resultado é um classificador binário distinguindo "puro" de "impuro" (qualquer desvio). Em garrafas de avaliação retidas (compradas em dias diferentes do treinamento), o modelo alcançou ~93,33% de precisão. A precisão de treinamento dentro da amostra foi de ~98%.
• Adulteração Invisível (Exp 4): O modelo congelado do Exp 3 alcançou ~96% de precisão em novas garrafas adulteradas com açúcar moído e peróxido de hidrogênio, ambos visualmente indistinguíveis do leite puro.
• Transferência entre Fabricantes (Exp 5): O modelo alcançou ~99% de precisão ao ser testado com leite puro de um fabricante diferente (Sainsbury) do que o dos dados de treinamento (Graham's Family Dairy).
• Transferência entre Teores de Gordura (Exp 6): A precisão permaneceu alta (99,9% para 14% de gordura, ~97% para 1,8% de gordura), mas caiu para **91%** para 0,3% de gordura. Os autores atribuem este declínio à redução das interações de espalhamento em concentrações de gordura mais baixas, consistente com a lei de Beer-Lambert.
• Transferência entre Produtos (Exp 7): O modelo alcançou ~99% de precisão em leite evaporado (viscosidade/fluxo semelhantes), mas caiu para ~65% para leite condensado e leite cosmético, indicando que texturas de produtos fundamentalmente diferentes requerem retreinamento ou adaptação de domínio.

Significância e Alegações

O artigo posiciona este trabalho como um estudo de viabilidade laboratorial. Alega que o sensoriamento dToF baseado em SPAD oferece uma "triagem de primeira linha" complementar para a segurança alimentar quando os sinais baseados na aparência falham.

• Escopo Modesto: Os autores declaram explicitamente que os resultados apoiam a viabilidade da abordagem sob condições controladas de laboratório (afastamento de 20–30 cm, embalagens específicas, leite fresco homogeneizado). Eles não afirmam que o sistema seja um produto de campo certificado.
• Papel Complementar: A tecnologia é proposta para complementar, não substituir, os métodos espectroscópicos ou químicos existentes. Seu valor reside na triagem rápida e não invasiva que não exige a abertura da embalagem.
• Limitações: O estudo reconhece que a precisão diminui com menores teores de gordura e para produtos com propriedades físicas significativamente diferentes (ex: leite condensado). Também observa que trabalhos futuros são necessários para abordar intervalos de confiança ao nível da garrafa, controles de confusão (ex: garrafas vazias) e testes em embalagens opacas.

Em resumo, o artigo demonstra que o sensoriamento de imagem transiente pode detectar mudanças sutis na microestrutura do leite homogeneizado causadas por adulteração, fornecendo uma alternativa robusta e não espectral para a avaliação da pureza que se generaliza entre diferentes marcas e tipos de embalagem.