determinaÇÃo da composiÇÃo e propriedades …como parte dos requisitos exigidos para obtenção...
TRANSCRIPT
UNIVERSIDADE ESTADUAL DE CAMPINAS Faculdade De Engenharia De Alimentos
CAROLINE BILHAR KARAZIACK
DETERMINAÇÃO DA COMPOSIÇÃO E PROPRIEDADES FUNCIONAIS DE
QUEIJOS POR IMAGEM HIPERESPECTRAL DE INFRAVERMELHO PRÓXIMO
Campinas
2016
CORE Metadata, citation and similar papers at core.ac.uk
Provided by Repositorio da Producao Cientifica e Intelectual da Unicamp
CAROLINE BILHAR KARAZIACK
DETERMINAÇÃO DA COMPOSIÇÃO E PROPRIEDADES FUNCIONAIS DE
QUEIJOS POR IMAGEM HIPERESPECTRAL DE INFRAVERMELHO PRÓXIMO
Dissertação apresentada à Faculdade de Engenharia de
Alimentos da Universidade Estadual de Campinas
como parte dos requisitos exigidos para obtenção
do título de Mestra em Tecnologia de Alimentos
Orientadora: WALKIRIA HANADA VIOTTO
Coorientador: DOUGLAS FERNANDES BARBIN
Este exemplar corresponde à versão final da dissertação defendida pela aluna Caroline Bilhar Karaziack, e orientada pela profa. Dra. Walkiria Hanada Viotto
Campinas – SP
2016
Agência(s) de fomento e nº(s) de processo(s): CAPES
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca da Faculdade de Engenharia de Alimentos
Claudia Aparecida Romano - CRB 8/5816
Karaziack, Caroline Bilhar, 1992-
K144d Determinação da composição e propriedades funcionais de queijos por
imagem hiperespectral de infravermelho próximo / Caroline Bilhar Karaziack. –
Campinas, SP : [s.n.], 2016.
Orientador: Walkiria Hanada Viotto.
Coorientador: Douglas Fernandes Barbin.
Dissertação (mestrado) – Universidade Estadual de Campinas, Faculdade
de Engenharia de Alimentos.
1. Quimiometria. 2. Derretimento. 3. Análise espectral. 4. Queijo. I. Viotto,
Walkiria Hanada. II. Barbin, Douglas Fernandes. III. Universidade Estadual de
Campinas. Faculdade de Engenharia de Alimentos. IV. Título.
Informações para Biblioteca Digital
Título em outro idioma: Determination of composition and functional properties of cheese by near infrared hyperspectral imaging Palavras-chave em inglês: Chemometrics Meltability Spectrum analysis Cheese Área de concentração: Tecnologia de Alimentos Titulação: Mestra em Tecnologia de Alimentos Banca examinadora: Walkiria Hanada Viotto [Orientador] Célio Pasquini Adriana Zerlotti Mercadante Data de defesa: 04-04-2016 Programa de Pós-Graduação: Tecnologia de Alimentos
Banca Examinadora
Profa. Dra. Walkiria Hanada Viotto (Orientadora) Faculdade de Engenharia de Alimentos - Unicamp
Prof. Dr. Célio Pasquini (Membro Titular) Instituto de Química - Unicamp
Profa. Dra. Adriana Zerlotti Mercadante (Membro Titular) Faculdade de Engenharia de Alimentos – Unicamp
Dra. Leila Maria Spadoti (Membro suplente)
Tecnolat – ITAL
Profa. Dra. Priscila Veiga dos Santos (Membro suplente) Faculdade de Ciências Agronômicas de Botucatu - Unesp
A Ata da defesa com as respectivas assinaturas dos membros encontra-se no processo de vida acadêmica da aluna Caroline Bilhar Karaziack.
DEDICATÓRIA
Aos meus pais, Thomaz e Fátima e meus irmãos Ana Paula e Bruno por todo amor, apoio e carinho. Dedico
AGRADECIMENTOS
À Deus, por tudo. À professora Walkiria Hanada Viotto, pela orientação, conselhos, ensinamentos e amizade. Ao professor Douglas Fernandes Barbin, por me apresentar o NIR e a imagem hiperespectral, pelas orientações e amizade. Ao professor Célio Pasquini, por disponibilizar a utilização do equipamento de imagem hiperespectral, por todas orientações e sugestões que contribuíram para este projeto. Às professora Adriana Mercadante, Leila Spadoti e Pricila Veiga dos Santos pelos comentários e sugestões para aprimoramento deste trabalho. Ao José Roberto (laboratório de carnes) pelo uso de equipamentos. À Juliana Hashimoto do laboratório de instrumentação, pelo auxílio nas análises de textura e cor, além dos bate-papos com muitas ideias À Bete, técnica do laboratório de leites, pela ajuda e colaboração nas análises físico-químicas. Aos técnicos do Instituto de Química, Cristiane Vidal e Henrique Piva, pela amizade e disposição em ajudar nas análises realizadas. Àos amigos e companheiros do Laboratório de leite que tornaram as rotinas de análises mais agradáveis e divertidas, até nos finais de semana. Aos colegas e amigos de salinha da pós, Lígia, Diogo, Cecília, Willian, Mayara, Rodolfo, Juliana, Ana Barth, Maristela, Joyce, Débora e Aninha pelo companheirismo, amizade, zoações e pelos tantos cafés compartilhados. À Débora, parceira de laboratório, que não mediu esforços para me ajudar no estava ao seu alcance. Noites, finais de semanas e feriados de companhia, além de muitas caronas. À Aninha, pessoa que está sempre disposta a ajudar todos e também ser um ombro amigo quando necessário. À Gabriela Baptista, pelo seu apoio na planta piloto e nas análises físico-químicas durante seu estágio. À Sarah Marcondes Lapenna pela sua grande ajuda no laboratório durante meus experimentos.
A todos os professores e funcionários da Faculdade de Engenharia de Alimentos da Unicamp, que contribuíram para o meu crescimento profissional. À Capes, pela concessão da bolsa. À Nadia, pela amizade, companheirismo e compreensão nestes dois anos de convivência diária. Aos colegas do grupo de jovens da Paróquia Santa Isabel, pelo aprendizado e troca de experiências. À Regina, amiga de todas as horas, dentro e fora da Unicamp. Aos meus Pais pelo apoio, amor, carinho, compreensão e incentivo sempre. Aos meus irmãos por me incentivarem e torcerem por mim, sempre. Demais parentes, que mesmo estando distante estão torcendo por mim. E de forma especial aos meus parentes das cidades de São Paulo, Tio Valter, Tia Inês, Edinéia, Jair, Dê, Erick, Yuri e da cidade de Santo André Jácomo, Ivone, Sabrina, Gustavo e Guilherme, por me acolherem sempre tão bem nas minhas visitas frequentes e ajudas na busca dos queijos. Por todas as pessoas maravilhosas que eu encontrei e que fizeram esta jornada ser inesquecível, prazerosa, divertida e menos cansativa. Por terem contribuído direta e indiretamente na realização deste trabalho.
Resumo
Os queijos são produtos de grande importância comercial no setor de lácteos,
respondem a 30% do comércio mundial e apresentam crescimento contínuo nas
últimas décadas. Esse aumento na produção pode ser justificado pelo aumento no
consumo de queijos, principalmente pelo seu uso como ingrediente em pizzas e
alimentos de conveniência. A capacidade de derretimento e a formação de óleo livre
são algumas das principais propriedades funcionais de queijos usados como
ingredientes, influenciando significativamente a aceitação pelo consumidor. A
composição dos queijos, além de afetar a funcionalidade, determina a sua vida de
prateleira e o rendimento de fabricação. O controle e monitoramento da composição
são essenciais para a indústria de queijos, que necessita cada vez mais de métodos
rápidos e seguros para manter e garantir a qualidade do produto. Os métodos
comumente utilizados em análises de propriedades funcionais tem caráter empírico
e nem sempre apresentam boa precisão. A Espectroscopia de infravermelho
próximo, em inglês, Near-infrared (NIR) surge como uma ferramenta para controle
de qualidade por suas vantagens de ser rápida, não destrutiva, não precisar de
preparo de amostra e poder determinar vários parâmetros simultaneamente. A
técnica pode ser aprimorada ao se empregar o sistema de imagem hiperespectral,
que engloba espectroscopia e técnicas de imagem com o intuito de fornecer
informações espectrais e espaciais simultaneamente. O objetivo deste estudo foi
investigar o potencial da técnica de imagem hiperespectral no infravermelho próximo
como um método rápido e não invasivo para predizer a composição química e
propriedades funcionais de queijos. Para isso, foram escolhidos diversos tipos de
queijos, com variadas composições e funcionalidades. Imagens hiperespectrais
foram adquiridas de 50 amostras de queijos (Muçarela, Cheddar, queijo Prato,
Requeijão do Norte, queijo Coalho e Minas meia cura). Umidade, proteína, gordura,
pH, derretimento e formação de óleo livre foram determinados por metodologias
tradicionais e relacionados com as informações espectrais através de modelos de
regressão de mínimos quadrados parciais. O coeficiente de determinação obtido
pela validação sistemática no modelo PLS indicou que a faixa espectral NIR
apresentou excelente habilidade para predizer o conteúdo de umidade (R2cv = 0.89),
gordura (R2cv = 0.95) e formação de óleo livre (R2
cv = 0.86) e SEP 1,51; 1,25 e 0,55
respectivamente nas amostras de queijos. A análise de componentes principais foi
empregada nos espectros obtidos para discriminação entre amostras. Coeficientes
de regressão resultantes dos modelos de regressão PLS foram usados para
identificar os comprimentos de onda mais importantes para cada atributo. Os
comprimentos de onda mais importantes foram aplicados no algoritmo de
processamento de imagem para transferir os modelos de predição para cada pixel
da imagem com o objetivo de visualizar a composição química e as propriedades
funcionais. A metodologia de análise por imagem hiperespectral, ao combinar as
técnicas de imagem e espectroscopia no intervalo NIR, mostrou-se adequada para
predição de propriedades composicionais e funcionais de queijos, de forma rápida e
não-destrutiva. A composição química determinada pelo mapa químico permitiu
visualizar a distribuição espacial dos atributos avaliados, mostrando potencial
aplicação para análise rápida de propriedades funcionais de queijos.
Abstract
Cheeses are products of great commercial importance in the dairy sector;
representing 30% of world trade and presenting continuous growth in recent
decades. This increase in production can be justified by the increase in cheese
consumption, mainly for its use as an ingredient in pizzas and convenience food
products. Meltability and free oil formation are some of the main functional properties
of cheese used as ingredients, significantly influencing consumer acceptance.
Cheese composition, as well as affecting the functionality of the cheese, determines
its shelf life and manufacturing yield. Controlling and monitoring of cheese
composition are essential for the cheese industry, which shows increasingly need of
fast and safe methods to maintain and ensure product quality. Analytical methods
commonly for functional properties are empirical and sometimes not accurate. Near-
infrared spectroscopy, in English, near infrared (NIR) emerges as a tool for quality
control due to its advantages of being fast, non-destructive, not requiring sample
preparation and being able to determine multiple parameters simultaneously. The
technique may be improved by employing hyperspectral imaging system, comprising
spectroscopy and imaging techniques in order to provide spatial and spectral
information simultaneously. The objective of this study was to investigate the
potential of near-infrared hyperspectral imaging technique as a fast and non-invasive
method to predict the chemical composition and functional properties of cheese. In
order to achieve this goal, several types of cheeses, with varying composition and
functionality, were chosen. Hyperspectral images were obtained from 50 samples of
cheeses (Mozzarella, Cheddar, Prato Cheese, Requeijão do Norte, Cheese Minas
Meia Cura and Coalho Cheese). Moisture, protein, fat, pH, melting and oil-free
formation were determined by traditional methodologies and related to spectral
information using partial least squares regression models. The determination
coefficient obtained by cross-validation in the PLS model indicated that the spectral
range NIR showed excellent ability to predict the moisture content (R2cv = 0.89), fat
(R2cv = 0.95) and free oil formation (R2
cv = 0.86) and SEP 1,51; 1,25 and 0,55
respectively in cheese samples. Principal components analysis was used in the
spectral dataset to identify differences and similarities between the cheese varieties
investigated. Regression coefficients resulting from the PLS regression models were
used to identify the most important wavelengths for each attribute. The most
important wavelengths were applied in image processing algorithm to transfer the
prediction models for each pixel of the image in order to visualize the chemical
composition and functional properties. The application of hyperspectral imaging,
combining imaging techniques and spectroscopy in the NIR range, showed potential
to predict cheese compositional and functional properties, in a fast and non-
destructively way. The chemical composition determined by chemical map allowed
visualizing the spatial distribution of the evaluated attributes, showing potential
application for fast analysis of cheese functional properties.
LISTA DE ILUSTRAÇÕES
Figura 1. Média espectral de cada variedade de queijo. .......................................... 45
Figura 2. Gráfico de escores dos dois componentes principais para os dados
espectrais de diferentes variedades de queijos........................................................ 46
Figura 3. Regressão linear de valores obtidos por metodologia de referência versus
valores preditos de (3A) umidade, (3B), gordura, (3C) proteína, (3D) pH, (3E)
derretimento e (3F) óleo livre dos queijos ................................................................ 49
Figura 4. Mapa químico das amostras. .................................................................... 51
LISTA DE TABELAS
Tabela 1. Resultados experimentais de composição e propriedades funcionais de
diferentes variedades de queijos. ............................................................................. 44
Tabela 2. Comportamento dos modelos de PLS para predição das características
físico-químicas (umidade, gordura, proteína e pH) e das propriedades funcionais
(derretimento e formação de óleo livre) dos queijos utilizando os dados brutos. ..... 47
Tabela 3. Comprimentos de onda selecionados para cada atributo ........................ 49
Tabela 4. Resultados de predição e validação com comprimentos de onda
selecionados. ........................................................................................................... 50
SUMÁRIO
INTRODUÇÃO GERAL ............................................................................................. 16
Capítulo 1 .................................................................................................................. 18
Resumo ..................................................................................................................... 19
1 Introdução .............................................................................................................. 19
2 Propriedades funcionais ......................................................................................... 20
2.1 Derretimento .................................................................................................... 21
2.2 Óleo livre .......................................................................................................... 23
3 Infravermelho próximo ............................................................................................ 23
4 Conclusão .............................................................................................................. 27
Referências bibliográficas ......................................................................................... 27
Capítulo 2 .................................................................................................................. 34
Resumo ..................................................................................................................... 35
1 Introdução .............................................................................................................. 35
2 Material e métodos ................................................................................................. 37
2.1 Preparação das amostras ................................................................................ 37
2.2 Medições analíticas ......................................................................................... 38
2.2.1 Caracterização Físico-Química Queijos .................................................... 38
2.2.2 Propriedades funcionais ............................................................................ 38
2.3 Imagem hiperespectral no infravermelho próximo ........................................... 39
2.4 Seleção da região de interesse e extração espectral ...................................... 39
2.5 Análise estatística espectral ............................................................................ 40
2.5.1 PCA e modelos de predição ...................................................................... 40
2.5.2 Seleção de comprimentos de onda ........................................................... 41
2.6 Mapa químico .................................................................................................. 42
3 Resultados e discussão.......................................................................................... 42
3.1 Composição química e propriedades funcionais dos queijos .......................... 42
3.2 Características espectrais das amostras de queijos ........................................ 45
3.3 Predição dos atributos de queijos .................................................................... 46
3.3.1 Predição da caracterização físico-química dos queijos ............................. 47
3.3.2 Predição das propriedades funcionais dos queijos ................................... 48
3.4 Seleção dos comprimentos de onda ................................................................ 49
3.5 Modelos de regressão PLS utilizando comprimentos de onda selecionados
para os atributos instrumentais analisados ............................................................ 50
3.6 Mapa químico .................................................................................................. 51
4. Conclusão ............................................................................................................. 52
Referências ............................................................................................................... 53
DISCUSSÃO GERAL ................................................................................................ 56
CONCLUSÃO GERAL .............................................................................................. 58
16
INTRODUÇÃO GERAL
Os queijos são de grande importância comercial no setor de lácteos. Em 2012,
foram produzidos mais de 20 milhões de toneladas, o que corresponde a 30% da
produção mundial, com o setor apresentando crescimento contínuo nas últimas
décadas. Esse aumento na produção pode ser justificado pelo aumento no consumo
de queijos, principalmente pelo seu uso como ingrediente.
A composição química tem impacto significativo na qualidade dos queijos. Ela
determina a segurança microbiológica e a vida de prateleira em função do teor de
umidade, sal, atividade e água e pH, que são característicos para cada variedade de
queijo. Além disso, a composição determina o rendimento de fabricação, as
características de textura e as propriedades funcionais, que determinam o uso dos
queijos como ingrediente. Propriedades funcionais como maquinabilidade, redução
de tamanho, ou quando submetidos a aquecimento, capacidade de derretimento e
formação de óleo livre são requeridas no uso de queijos como ingredientes.
O derretimento que ocorre em queijos como muçarela e cheddar é a
característica requerida para produtos como pizza e outros alimentos de
conveniência, mas o mesmo não pode ser dito de outros queijos como o de coalho,
cujo principal requerimento é o não derretimento quando grelhado. A formação
exagerada de óleo livre no requeijão do Norte é vista como um defeito pelo
consumidor. O queijo Prato tem seu uso mais recente em sanduíches, o que exige
boa maquinabilidade, propriedade não requerida quando era consumido maturado,
como queijo de mesa.
Análises de determinação da composição química de queijos empregam
metodologias oficiais, que demandam tempo, uso de reagentes corrosivos e são
destrutivas. O derretimento apresenta diversas metodologias de análise. As
indústrias produtoras de queijos necessitam de ferramentas para análises de
composição e de propriedades funcionais que sejam rápidas, de baixo custo e
simples para padronização e controle de análises, além de determinar em tempo
real os parâmetros de qualidade.
A espectroscopia de infravermelho pode ser uma excelente ferramenta de
controle de qualidade pelas suas vantagens de ser rápida, não destrutiva, não
invasiva, não precisar de preparo de amostra, nem o uso de reagentes ou solventes
17
químicos e poder determinar vários parâmetros simultaneamente. A técnica pode ser
aprimorada ao empregar o sistema de imagem hiperespectral, pois engloba
espectroscopia e técnicas de imagem com o intuito de fornecer informações
espectrais e espaciais simultaneamente em cada pixel da imagem. Para
interpretação e aplicação desses resultados é necessário o emprego de análises
estatísticas multivariadas.
O objetivo deste estudo foi investigar o potencial da técnica de imagem
hiperespectral no infravermelho próximo como um método rápido e não invasivo
para predizer a composição química e propriedades funcionais de queijos. Além
disso, os resultados obtidos por métodos oficiais foram correlacionados aos dados
de infravermelho próximo.
18
Capítulo 1
Potencial do uso da Imagem hiperespectral de infravermelho próximo em
propriedades funcionais de queijos
Caroline Bilhar Karaziack, Douglas Fernandes Barbin, Walkíria Hanada Viotto
A ser submetido à revista Food Science and Technology
19
Potencial do uso da Imagem hiperespectral de infravermelho próximo em
propriedades funcionais de queijos
Resumo
As propriedades funcionais são de grande importância para queijos, principalmente
para os usados como ingrediente. O derretimento e a formação de óleo livre são as
principais funcionalidades requeridas quando os queijos são submetidos a
aquecimento. Ferramentas para análises que sejam rápidas, de baixo custo e
simples para padronização e controle de análises são necessárias nas indústrias
produtoras de queijos. A espectroscopia de infravermelho próximo (NIR) mostra-se
como uma técnica promissora para controle de qualidade por apresentar as
seguintes vantagens, ser não destrutiva, rápida e poder determinar vários
parâmetros simultaneamente. Esta revisão aborda as principais funcionalidades dos
queijos, os fundamentos do NIR e suas aplicações na área de alimentos. A
espectroscopia de infravermelho combinada com análises quimiométricas pode ser
uma excelente ferramenta de controle de qualidade de alimentos para indústrias
lácteas.
1 Introdução
A espectroscopia na região do infravermelho próximo vem sendo muito
aplicada em diversas áreas, entre elas a análise de alimentos, por ser uma técnica
rápida, não destrutiva, não invasiva, não necessitar de reagentes, além de
determinar vários parâmetros simultaneamente (BUNING-PFAUE, 2003).
Pesquisas realizadas com espectroscopia de infravermelho próximo mostram
que a técnica pode predizer diferentes atributos em alimentos, como determinação
de vida de prateleira (KURZ et al, 2010), autenticidade de frutas (PÉRES MARÍN et
al 2011), classificação de grãos (MAHESH et al, 2008) e óleos (SINELLI et al, 2010)
e atributos de qualidade em carnes (BARBIN et al, 2012; KAMRUZZAMAN et al,
2012) e em queijos (BOTELHO et al, 2013). Em queijos, a composição e a avaliação
de autenticidade (WOODCOCK et al, 2008), a determinação de aminoácidos livres
durante a proteólise (MLČEK et al, 2013), atributos sensoriais (GONZÁLEZ-MARTÍN
et al, 2011) e de textura (REVILLA et al, 2009) estão entre as principais
características pesquisadas.
20
A imagem hiperespectral é uma ferramenta não destrutiva, robusta e flexível
de grande potencial para controle de qualidade de indústrias. A técnica integra
espectroscopia e técnicas de imagem com o objetivo de obter informações espacial
e espectral de cada pixel da imagem (SUN, 2010). Não foram reportadas até o
momento pesquisas utilizando a técnica em queijos. Técnicas espectrais seguidas
de análises estatísticas multivariadas foram empregadas para predizer o
derretimento de apenas uma variedade de queijo, o processado (FAGAN et al, 2007;
BLAZQUEZ et al, 2006; AMAMCHARLA e METZGER 2015).
Nas últimas décadas, a produção e consumo de queijo tem aumentado
vertiginosamente em função do seu uso como ingrediente. As propriedades
funcionais em queijos podem ser definidas como o comportamento do queijo durante
as etapas de preparação e consumo de alimentos ao qual é incorporado.
Tradicionalmente, queijos como a Muçarela, queijos em pó e queijos processados e
análogos tem sido os mais usados como ingredientes. Mais recentemente, outros
queijos como Cheddar e, particularmente no Brasil, queijos como o Prato, Minas
meia cura, queijo de Coalho e requeijão do Norte tem sido também usados como
ingredientes. Propriedades como o derretimento de Muçarela, em pizza e outros
alimentos de conveniência, têm sido bastante estudadas, mas o mesmo não pode
ser dito de outros queijos como o de coalho, cujo principal requerimento é o não
derretimento quando grelhado. Também bastante conhecido no Brasil é o defeito de
exagerada formação de óleo livre no requeijão do Norte e o uso mais recente do
queijo Prato em sanduíches, o que exige boa maquinabilidade desse queijo,
propriedade não requerida quando era consumido maturado, como queijo de mesa.
Devido a ampla variedade de queijos, seus diferentes atributos e diferentes
requerimentos funcionais, a predição da composição e propriedades funcionais por
uma técnica rápida e precisa pode ser bastante útil no controle de qualidade das
indústrias de laticínios.
2 Propriedades funcionais
A funcionalidade de queijos quando estes são usados como ingredientes é
definida como o comportamento durante todas etapas desde a preparação até o
consumo no alimento ao qual foi inserido. Ao ser usado como ingrediente ele pode
ser submetido a tratamentos como cominuição, maquinabilidade, refrigeração e
21
aquecimento, onde propriedades físico-químicas e microestruturais como
derretimento e formação de óleo livre acontecem e determinam a aplicação de
queijos por exemplo em pizzas (GUINEE e KILCAWLEY, 2004).
Nos queijos usados in natura, as propriedades reológicas são as mais
importantes, pois determinam as propriedades de textura, afetam o seu
comportamento quando submetido a diferentes métodos de redução de tamanho e a
interação com os outros ingredientes do alimento (O’CALLAGHAN E GUINEE,
2004).
Quando o queijo é submetido a aquecimento, a funcionalidade é de grande
importância por apresentar diferentes atributos, como amolecimento, derretimento,
fluidez, extensibilidade, escurecimento, bolhas e formação de óleo livre. A
intensidade requerida para cada atributo é dependente da aplicação (GUINEE e
KILCAWLEY, 2004).
Vários fatores influenciam as propriedades funcionais de queijos como a
composição do leite e do queijo, pH, interações entre caseínas, proteólise, teor de
cálcio, força iônica, conteúdo de sal e as condições de processamento (GUINEE,
2002; LUCEY, 2008).
2.1 Derretimento
O derretimento pode ser definido como a capacidade de uma amostra fluir e
espalhar, como também a perda da integridade da estrutura do queijo causada por
aquecimento (LUCEY et al, 2003). O derretimento é uma das principais propriedades
funcionais de queijos usados com aquecimento, como na superfície de pizzas,
recheio de lasanhas, sanduíches e salgados (LUCEY, 2008).
No processo de aquecimento, mudanças inter-relacionadas podem ser
observadas como o derretimento, fluidez, amolecimento e estiramento. Isso
acontece por dois motivos: a mudança de fase da gordura, que se torna líquida a
40ºC e as interações protéicas (LUCEY et al, 2003).
As interações que acontecem entre as micelas de caseína são um dos
principais fatores que afetam o derretimento (LUCEY et al. 2003), destacando-se o
número e a força dessas interações que se alteram em função do aumento de
temperatura (PARK et al, 1984). As interações hidrofóbicas são de grande
importância para a conformação e interação das proteínas. Durante o aquecimento a
22
agregação ocorre devido ao grande número de resíduos hidrofóbicos presentes
(KINSELLA, 1990). As interações eletrostáticas também desempenham um papel
importante em queijos por causar repulsão eletrostática entre cargas similares nas
proteínas (WALSTRA e VAN VLIET, 1986). Com a elevação da temperatura,
aumenta a repulsão eletrostática entre as proteínas (BRYANT e MCCLEMENTS,
1998).
Queijos com maior teor de umidade e gordura são mais propensos a
apresentar derretimento. Entretanto, queijos com alto conteúdo de proteína tornam a
matriz mais ligada, o que dificulta o derretimento. A redução da interação entre as
proteínas permite ao queijo maior derretimento e isto pode ser conseguido pela
redução do conteúdo de cálcio insolúvel em relação ao conteúdo de proteína ou pelo
avanço da proteólise. O pH também afeta o derretimento. Excessiva acidificação (pH
< 4,9) causa a diminuição da repulsão eletrostática, provocando maior atração entre
as caseínas, e diminuindo o derretimento. Valores de pH elevados também
desfavorecem o derretimento pelo aumento de cálcio ligado à caseína (LUCEY,
2008; GUINEE, 2002).
O derretimento é uma funcionalidade característica de queijos como muçarela
e cheddar, que são amplamente usados em produtos como pizzas e lasanhas.
Porém, esta funcionalidade não é desejada para queijo de coalho, pois este não
deve escoar ao ser grelhado. Para que o derretimento não aconteça, práticas
adotadas na fabricação do queijo, como a não adição de fermento lácteo, elevada
temperatura de cozimento da massa e adição pronunciada de sal, tornam a massa
mineralizada e elástica, impedindo o derretimento (BUZATO, 2011).
Uma das metodologias utilizadas para medir o derretimento de queijos é a de
Schreiber. A técnica é baseada na medida do aumento do diâmetro da amostra após
derretimento (KOSIKOWSKI, 1982). A metodologia de Arnott também é utilizada
para medir o derretimento de queijos e seus resultados são expressos pela
diminuição da altura das amostras, em porcentagem (ARNOTT et al, 1957). Métodos
instrumentais também têm sido empregados para determinar o derretimento de
queijos (KINDSTEDT e KIELY, 1992; LEE et al, 1978; SMITH et al, 1980; USTUNOL,
et al, 1994 e WANG, et al, 1998). Técnicas por análise de imagem (SUN, 2000;
WANG e SUN, 2001, 2002ª, 2002b) e predição do derretimento de queijos por
análises espectroscópicas tem sido propostas (AMAMCHARIA E METZGER, 2015;
FAGAN, et al, 2007) e comparadas com as metodologias tradicionais.
23
2.2 Óleo livre
O processo de separação de parte da gordura presente no queijo quando o
mesmo é aquecido é chamado de formação de óleo livre. A quantidade de gordura
do queijo é o principal determinante para a formação de óleo livre (GUINEE e LAW,
2001) pois, durante o derretimento, os glóbulos de gordura coalescem e fluem por
entre a matriz proteica. A emulsificação da gordura é um dos principais fatores que
afetam a separação da gordura como óleo livre (KINDSTEDT, 1993).
O aumento do teor de sal diminui a liberação de óleo livre, devido à
substituição do cálcio pelo sódio na ligação com o fosfato na caseína. Quando o
cálcio é removido da micela, pela troca iônica com o sódio, aumenta a capacidade
das caseínas emulsificarem a gordura, o que causa uma diminuição na liberação de
óleo livre (KINDSTEDT, 1987).
A formação de óleo livre modula a desidratação de queijos e afeta o
escurecimento durante o aquecimento (RICHOUX et al, 2008). Uma fina camada de
óleo livre é desejada quando o queijo é aquecido para impedir o escurecimento e a
desidratação da amostra.
O excesso de separação de óleo livre pode ser considerado um defeito na
aparência do queijo derretido, pois a superfície fica gordurosa e brilhante (LUCEY,
2008). Quando ocorre proteólise, a matriz de caseína torna-se mais enfraquecida e é
verificado um aumento no teor de óleo livre, possivelmente por estar associado a
matriz de caseína com pouca capacidade de conter fisicamente a gordura durante o
aquecimento (OBERG et al, 1993).
3 Infravermelho próximo
Técnicas espectroscópicas fundamentam-se na interação entre radiação
eletromagnética com a matéria. Os diferentes métodos baseados na absorção ou
emissão de radiação nas regiões ultravioleta, visível, infravermelho (IV) e radio
(ressonância magnética nuclear) são comumente usados em análises de alimentos
(PENNER, 2010).
A região do espectro infravermelho abrange o intervalo de comprimento de
onda de 780 nm a 1.000 µm. Essa região é dividida em três partes, que recebem
24
nomes de acordo com a sua proximidade do espectro visível (BUENO, 2004). A
espectroscopia na região do infravermelho próximo refere-se à radiação
eletromagnética caracterizada pelos comprimentos de onda no intervalo 750 – 2500
nm. A interação da radiação NIR com uma molécula está relacionada com o
comportamento vibracional das ligações químicas (POVIA, 2007).
Para que uma molécula absorva a radiação NIR é necessário que o
deslocamento dos átomos em uma vibração cause uma alteração no momento
dipolo da molécula ou do grupo de átomos em vibração criando assim, um
mecanismo de interação entre o modo vibracional e a radiação eletromagnética,
gerando espectros de absorção. Além disso, a molécula precisa receber radiação
em uma frequência capaz de fornecer exatamente a energia (hv) necessária para
que ocorra sobretons ou bandas de combinação de duas ou mais vibrações
(BUENO, 2004).
Os espectros obtidos na região NIR do espectro eletromagnético podem ser
atribuídas principalmente aos sobretons que envolvem as vibrações de estiramento
C-H, N-H, S-H e O-H, como também as combinações de vibrações fundamentais
destes grupos (PASQUINI, 2003). Um dos pontos fortes da tecnologia NIR é que ela
permite que vários constituintes sejam medidos simultaneamente (BUNING-PFAUE,
2003).
A refletância difusa é um dos métodos de obtenção de espectros utilizado em
NIR, sendo aplicado para diversos produtos, principalmente amostras sólidas (LIN et
al, 2009), como em queijos (BOTELHO et al, 2012; MADALOZZO et al, 2015). A
radiação detectada pode ser produzida por refletância especular ou refletância
difusa. A refletância especular ocorre na superfície da amostra. A refletância difusa é
gerada pela penetração e interação da radiação reemitida. O fenômeno, chamado
espalhamento ocorre quando a radiação encontra partículas da amostra que são
muito maiores do que o comprimento de onda, fazendo com que a radiação se
propague em todas as direções (LIN et al, 2009).
O NIR tem sido empregado em diversas áreas, como as áreas médica (LI et al,
2014; VEZOUVIOU e LOWE, 2015), farmacêutica (SCHREIBELHOFER et al, 2015)
e química (LLORDÉZ et al, 2013; YANG et al, 2014). Na área de alimentos, a
técnica vem sendo proposta para controle de qualidade (TORRICELLI et al, 2015;
LU, 2003), classificação (BARBIN et al, 2012; TALENS et al, 2013) e autenticação
de alimentos (DOWNEY et al, 1997).
25
Em queijos, a espectroscopia de infravermelho próximo é aplicada para
controle de qualidade (composição) (BOTELHO et al, 2013; MADALOZZO et al,
2015), monitoramento da coagulação do leite e sinérese da coalhada (PAYNE et al,
1993; FAGAN et al, 2008), determinação de aminoácidos livres durante a proteólise
(MLČEK et al, 2011; MLČEK et al, 2013), atributos sensoriais (GONZÁLEZ-MARTÍN
et al, 2011), textura (REVILLA et al, 2009) e determinação de autenticidade em
diferentes tipos de queijos (WOODCOCK et al, 2008). Propriedades funcionais como
o derretimento foram avaliadas por espectroscopia de infravermelho médio (FAGAN
et al, 2007), espectroscopia de infravermelho próximo (BLAZQUEZ et al, 2006) e
espectroscopia dielétrica (AMAMCHARLA E METZGER, 2015).
As metodologias tradicionais utilizadas no controle de qualidade de alimentos
demandam muito tempo, são destrutivas e podem ser corrosivas (WOODCOCK et
al, 2008). Técnicas instrumentais, como o infravermelho próximo, apresentam
grande potencial para determinação de composição, monitoramento contínuo e
controle de processo e de qualidade de produtos (HUANG et al, 2008). Entretanto,
as técnicas espectrais convencionais não são capazes de fornecer informações
quando a distribuição espacial de parâmetros de qualidade é essencial para a
amostra de interesse, como no caso de queijos com olhaduras. A análise de imagem
hiperespectral surge como uma técnica de grande potencial por integrar
espectroscopia e técnicas de imagem com o objetivo de obter informações espaciais
e espectrais de cada pixel da imagem (ELMASRY et al, 2012).
A imagem hiperespectral é uma técnica não destrutiva, robusta e flexível de
grande potencial para controle de qualidade de alimentos (BARBIN et al, 2012;
ELMASRY et al, 2007; FOX e MANLEY, 2014). As imagens adquiridas,
denominadas como hipercubo ou cubo espectral se apresentam como um bloco de
dados tridimensional, onde duas dimensões são espaciais (linhas e colunas) e uma
dimensão é espectral (comprimento de onda). As imagens são formadas por
centenas de bandas de ondas contínuas para cada posição espacial da amostra
(pixel) (ELMASRY, et al, 2012).
O sistema que fornece uma imagem hiperespectral é composto por uma lente
objetiva, espectrógrafo, câmera, sistema de aquisição, fontes de iluminação, estágio
de translação e computador. Este sistema forma a imagem hiperespectral a partir da
luz que é refletida da amostra através da lente, onde é separada por componentes
de acordo com o comprimento de onda pela rede de difração contida no
26
espectrógrafo. Assim, a imagem formada na câmera (dimensão espacial X dimensão
espectral) é salva no computador (GOWEN et al, 2007).
A técnica é bastante viável por medir ampla região espectral em cada pixel da
imagem, e flexível, por ser capaz de atuar em diversas regiões espectrais e de
acordo com a modalidade desejada (XU e LAM, 2010).
Para a utilização dos dados de forma exploratória, classificação ou construção
de um modelo de predição bom e robusto é de grande importância o pré-
processamento dos resultados espectrais para melhorar a relação linear e minimizar
os efeitos ou fontes de variabilidade não desejadas entre a concentração da amostra
e sinais espectrais. Espalhamento de partículas, interferentes, interações
moleculares e deslocamento do equilíbrio químico em função da concentração são
fatores que podem causar desvios na relação linear (RINNAN et al, 2009).
Técnicas de pré-processamento podem ser divididos em grupos que utilizam
valores de referência disponíveis para a operação e grupos que não o fazem. O
segundo grupo, denominado grupo de pré-processamento independente de
referência pode ainda ser dividido em dois subgrupos: em métodos de correção de
espalhamento e os métodos de derivação. Os métodos de correção de
espalhamento incluem as técnicas de correção multiplicativa de sinal, padrão de
escala variável normal, normalização e correção de linha de base. Os métodos de
derivação incluem as técnicas de diferença finita, de Savitzky-Golay e de Norris-
Williams (RINNAN et al, 2009).
A análise estatística multivariada é amplamente utilizada em resultados
espectrais e imagens hiperespectrais devido a grande quantidade de informações
obtidas, e que parte desses dados pode ser redundante (MOLTÓ et al, 2010). O
tratamento dos dados é de grande importância para o uso efetivo dos resultados,
podendo ter diferentes finalidades, como identificação, classificação, quantificação e
discriminação das amostras (ELMASRY et al, 2012)
A análise de componentes principais é uma técnica de compressão de
variáveis que reduz um conjunto de dados a um pequeno número de variáveis
chamado componentes principais, ortogonais entre si, pois seus vetores não
apresentam correlação. O objetivo da técnica é identificar as tendências sem perda
de informações úteis (ROMÍA E BERNÀRDEZ, 2009).
A regressão por mínimos quadrados parciais é utilizada para situações que
envolvem alta colinearidade ou para se calcular variáveis correlacionadas (ROMÍA E
27
BERNÀRDEZ, 2009). O procedimento é empregado para correlacionar dados
espectrais com valores obtidos por técnicas de referência. A correlação é realizada
em um conjunto de variáveis independentes, utilizadas como preditoras
(comprimentos de onda) e as variáveis de resposta (referência). As variáveis
preditoras constituem um grande conjunto de dados, que é reduzido para um novo
conjunto de dados de variáveis não correlacionadas baseado em fatores chamados
de variáveis latentes, que descrevem a covariância máxima entre as informações
espectrais e os valores de referência do atributo analisado (GEESINK et al, 2003).
O uso de técnicas multivariadas faz-se necessário para extrair informações
físicas e químicas relevantes e para obter modelos quantitativos apropriados e
amplamente usados em estudos na área de alimentos.
4 Conclusão
Métodos simples e rápidos baseados em NIR apresentam um grande potencial
para o controle de qualidade de queijos, especialmente para aferir a funcionalidade
dos queijos usados como ingredientes. A combinação de técnicas de espectroscopia
com analise de imagens, como imagens espectrais, vem encontrando enorme
número de aplicações na análise de alimentos, com grande potencial na aplicação
em queijos. O NIR, acoplado com a quimiometria, pode ser uma excelente
ferramenta para estudar e modelar as relações entre composição, estrutura e
funcionalidade de queijos.
Referências bibliográficas
Amamcharla, J. K., Metzger, L. E. (2015). Prediction of process cheese instrumental texture and melting characteristics using dielectric spectroscopy and chemometrics. Journal of Dairy Science, 98 (9), 6004–6013.
Arnott, D. R., Morris, H. A., Combs, W. B. (1957). Effect of certain chemical factors
on the melting quality of process cheese. Journal of Dairy Science, 40, 957–963.
Barbin, D., Elmasry, G., Sun, D., Allen, P. (2012). Near-infrared hyperspectral
imaging for grading and classification of pork. Meat Science, 90, 259–268.
28
Blazquez, C., Downey, G., O’callaghan, D., Howard, V., Delahunty, C., Sheehan, E., Everard, C., O’donnell, C. (2006). Modelling Of Sensory And Instrumental Texture Parameters In Processed Cheese By Near Infrared Reflectance Spectroscopy. Journal Of Dairy Reserch, 73, 58 – 69.
Botelho, B. G., Mendes, B. A. P., Sena, M. M. (2013). Development and Analytical
Validation of Robust Near-Infrared Multivariate Calibration Models for the Quality Inspection Control of Mozzarella Cheese. Food Analytical Methods, 6, 881–891.
Bryant, C. M. e Mcclements, D. J. (1998). Molecular basis of protein functionality with
special consideration of cold-set gels derived from heat-denatured whey. Trends Food Science and Technology, 9, 143–151.
Bueno, A. F. (2004). Caracterização de petróleo por espectroscopia no infravermelho
próximo. (Dissertação de mestrado – Instituto de química). Universidade Estadual de Campinas, Campinas.
Buning-Pfaue, H. (2003). Analysis of water in food by near infrared spectroscopy.
Food Chemistry, 82, 107–115. Buzato, R. M. P. (2011). Influência da relação caseína/gordura do leite e da
temperatura de cozimento da massa no rendimento de fabricação e nas propriedades físico-químicas, funcionais e sensoriais do queijo de coalho. (Tese de Doutorado em Tecnologia de Alimentos). Universidade Estadual de Campinas, Campinas.
Downey, G., Briandet, R., Reginald H., Wilson, R. H., Kemsley, E. K. (1997). Near-
and Mid-Infrared Spectroscopies in Food Authentication: Coffee Varietal Identification. Journal of Agricultural and Food Chemistry, 45, 4357-4361.
Elmasry, G., Barbin, D. F., Sun, D., Allen, P. (2012). Meat Quality Evaluation by
Hyperspectral Imaging Technique: An Overview. Critical Reviews in Food Science and Nutrition, 52, 689 - 711.
Elmasry, G., Wang, N., Elsayed, A., M. Ngadi, M. (2007) Hyperspectral imaging for
nondestructive determination of some quality attributes for strawberry. Journal of Food Engineering, 81, 98 - 107.
Fagan, C.C., Castillo, M., O’donnell, C.P., O’callaghan, D.J., Payne, F.A. (2008). On-
line prediction of cheese making indices using backscatter of near infrared light. International Dairy Journal, 18, 120–128.
Fagan, C.C., Everard, C., O’donnell, C. P., Downey, G., Sheehan, E. M.,Delahunty,
C.M., O’callaghan, D.J., Howard, V. (2007). Prediction of processed cheese instrumental texture and meltability by mid-infrared spectroscopy coupled with chemometric tools. Journal of Food Engineering, 80, 1068–1077.
29
Fox, G., Manley, M. (2014). Applications of single kernel conventional and hyperspectral imaging near infrared spectroscopy in cereals. Journal of the Science of Food Agriculture, 94, 174 - 179.
Geesink, G. H., Shreutelkamp, F. H., Frankhuizen, R., Vedder, H. W., Faber, N. M.,
Kraner, R.W., Gerritzen, M. A., (2003). Prediction of pork quality attributes from near infrared reflectance spectra. Meat Science, 65 (1), 661 – 668.
González-Martín, M.I., Severiano-Pérez, P., Revilla, I., Vivar-Quintana, A.M.,
Hernández-Hierro, J.M., González-Pérez, C., Lobos-Ortega, I.A. (2011). Prediction of sensory attributes of cheese by near-infrared spectroscopy. Food Chemistry, 127, 256–263.
Gowen, A. A., O’donnell, C.P., Cullen, P.J., Downey, G., Frias, J.M. (2007).
Hyperspectral imaging - an emerging process analytical tool for food quality and safety control. Trends in Food Science and Technology, 18, 590 - 598.
Guinee, T. P. (2002). The functionality of cheese as an ingredient: A review.
Australian Journal of Dairy Technology, 57, 79–91. Guinee, T. P., E Kilcawley, K. N. (2004). Cheese as an ingredient. In: Fox, P. F.,
McSweeney, P. L. H., Cogan, T. M., Guinee, T. P. (Ed. 3; Vol. 2). Cheese: Chemistry, Physics and Microbiology. (cap. 17; p. 395-428).
Guinee, T. P., Law, B. A. (2001). Role of milk fat in hard and semi-hard cheeses. In.
K. S. Rjah (Ed. 2), Fats in food technology (p . 275–331). Sheffield, UK: SheffieldAcademic Press.
Huang, H., Yu, H., Xu, H., Ying, Y. (2008). Near infrared spectroscopy for on/in-line
monitoring of quality in foods and beverages: a review. Journal of Food Engineering, 87, 303–313.
Kamruzzaman, M., Elmasrya, G., Sun, D., Allen, P. (2012). Prediction of some quality
attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis. Analytica Chimica Acta, 714, 57– 67.
Kindstedt, P.S. Mozzarella and pizza cheese. (1987). In: Fox, P.F. Cheese:
Chemistry, physics and microbiology, v.2, London, New York. Elsevier Applied Science Publishers.
Kindstedt, P. S., Kiely, L. J. (1992). Revised protocol for the analysis of melting
properties of Mozzarella cheese by helical viscometry. Journal of Dairy Science, 75, 676 - 682.
Kindstedt, P. S. (1993). Effect of manufacturing factors, composition, and proteolysis
on the functional characteristics of Mozzarella cheese. Critical Reviews Food Science Nutrition, 33, 167 - 187.
30
Kinsella, J. E. (1990). Milk protein: physicochemical and functional properties. CRC Critical Reviews in Food Science and Nutrition, 21, 197 - 262.
Kosikowski, F. (1982). Cheese and fermented milk foods (2 ed., pp. 404–406). New
York: F.V. Kosikowski and Associates. Kurz, C., Leitenberger, M., Carle, R. And Schieber, A. (2010). Evaluation of fruit
authenticity and determination of the fruit content of fruit products using FT-NIR spectroscopy of cell wall components. Food Chemistry, 119 (2), 806 – 812.
Lee, C, Imoto, E. M, Rha, C. (1978). Evaluation of cheese texture. Journal of Food
Science, 43 (5), 1600 – 1605. Li, W., Wang, J., Ren, J., Qu, X. (2014). Near-Infrared Upconversion Controls
Photocaged Cell Adhesion. Journal of the American Chemical Society, 136, 2248 - 2251.
Lin, M., Rasco, B. A., Cavinato, A. G., Al-Holy, M. (2009). Infrared (IR) Spectroscopy
– Near-Infrared and Mid-Infrared Spectroscopy. In: Sun, D.W. (1 Ed), Infrared Spectroscopy for food quality analysis and control. (p. 119 – 141). Dublin, Ireland, National University of Ireland.
Llordés, A., Garcia, G., Gazquez, J., Milliron, D. J. (2013). Tunable near-infrared and
visible-light transmittance in nanocrystal-in-glass composites. Nature, 500, 323–326.
Lu, R. (2003). Detection of bruises on apples using near–infrared Hyperspectral
imaging. American Society of Agricultural Engineers. 46(2), 1 - 6. Lucey, J. A. (2008). Some perspectives on the use of cheese as a food ingredient.
Dairy Science and Technology, 88, 573–594. Lucey, J.A., Johnson, M.E., Horne, D.S. (2003). Invited review: Perspectives on the
basis of the rheology and texture properties of cheese. Journal of Dairy Science, 86 (9), 2725 - 2743.
Madalozzo, E. S., Sauer, E., Nagata, N. ( 2015). Determination of fat, protein and
moisture in ricotta cheese by near infrared spectroscopy and multivariate calibration. Journal of Food Science and Technology, 52(3),1649 - 1655.
Mahesh, S., Manickavasagana, A., Jayasa, D. S., Paliwala, J. Andwhiteb, N. D. G.
(2008). Feasibility of near-infrared hyperspectral imaging to differentiate Canadian wheat classes. Biosystems Engineering, 101(1), 50–57.
Mlček, J., Rop, O., Dohnal, V., Šustová, K. (2011). Application of near infrared
spectroscopy to estimate selected free amino acids and soluble nitrogen during cheese ripening. Acta Veterinaria Brno, 80, 293–297.
31
Mlček, J., Šustová, K., Rop, O., Juríková, T., Humpolíček, P., Balla, S. (2013). Rapid assessment of selected free amino acids during Edam cheese ripening by near infrared spectroscopy. Acta Veterinaria Brno, 82, 191–196.
Moltó, E., Blasco, J., Gómez-Sanchís, J. (2010). Analysys of hiperspectral images of
citrus fruits. In: Da-Wen, S. (1 Ed). Hiperspectral imaging for Food Quality Analysis and Control. (p. 321 – 348). Academic Press, San Diego.
Oberg, C.J., Mcmanus,R., Mcmahon, D.J. (1993). Microestruture of mozzarella
cheese during manufature. Food Structure, 12, 251 - 258. O’callaghan, D. J. E Guinee, T. P. (2004). Rheology and texture of Cheese. In: Fox,
P. F., McSweeney, P. L. H., Cogan, T. M., Guinee, T. P. (3 Ed, v. 1), Cheese: Chemistry, Physics and Microbiology. (c. 21; p, 511 – 540).
Park, J., Rosenau, J. R., Peleg, M. (1984). Comparison of four procedures of
cheese meltability evaluation. Journal of Food Science, v.49 (4), 1158 - 1170. Pasquini, C. (2003). Near Infrared Spectroscopy: Fundamentals, Practical Aspects
and Analytical Applications. Journal of the Brazilian Chemical Society, 14 (2), 198 - 219.
Payne, F. A., Hicks, C. L., Shen, P. S. (1993). Predicting optimal cutting time of
coagulating milk using diffuse reflectance. Journal of Dairy Science, 76, 48 - 61. Penner, M. H. (2010). Basic Principles of Spectroscopy. In Nielsen, S. S. (4 Ed),
Food Analysis, (p. 375 – 386). Purdue University, West Lafayette, USA. Pérez-Marín, D., Sánchez, M. T., Paz, P., González-Dugo, V., Soriano, M. A. (2011).
Postharvest shelf-life discrimination of nectarines produced under different irrigation strategies using NIR-spectroscopy. LWT Food Science and Technology, 44 (6), 1405 - 1414.
Povia, G. S. (2007). Determinação dos parâmetros de qualidade de detergentes em
pó utilizando espectroscopia no infravermelho próximo. (Dissertação de mestrado – Instituto de química). Universidade Estadual de Campinas, Campinas.
Revilla, I., González-Martín, I., Hernández-Hierro, J. M., Vivar-Quintana, A.,
González-Pérez, C., Lurueña-Martínez, M.A. (2009). Texture evaluation in cheeses by NIRS technology employing a fibre-optic probe. Journal of Food Engineering, 92, 24–28.
Richoux, R., Aubert, L., Roset, G., Briard-Bion, V., Kerjean, J. R., E Lopez, C. (2008).
Combined temperature–time parameters during the pressing of curd as a tool to modulate the oiling-off of Swiss cheese. Food Research International, 41 (10), 1058 – 1064.
32
Rinnan, A., Norgaard, L., Berg, F. V. D., Thygesen, J., Bro, R., Engelsen, S. B. (2009). Data Pre-processing. In: Sun, D.W. (1 Ed) Infrared Spectroscopy for food quality analysis and control. (p. 29 – 50), Dublin, Ireland, National University of Ireland.
Romía, M. B., Bernàrdez, M. A. (2009). Multivariate Calibration for Quantitative
Analysis In: Sun, D.W. (1 Ed), Infrared Spectroscopy for food quality analysis and control. (p. 29 – 50). Dublin, Ireland, National University of Ireland.
Scheibelhofer, O, Grabner, B., Bondi Jr, R. W., Igne, B, Sacher, S, Khinast, J. G.
(2015). Designed Blending for Near Infrared Calibration. Journal of pharmaceutical sciences, 104, 2312 - 2322.
Sinelli, N., Cerretani, L., Egidio, V. D., Bendini, A., Casiraghi, E. (2010). Application
of near (NIR) infrared and mid (MIR) infrared spectroscopy as a rapid tool to classify extra virgin olive oil on the basis of fruity attribute intensity. Food Research International, 43 (1), 369–375.
Smith, C. E., Rosenau, J. R., Peleg, M. (1980). Evaluation of the flowability of melted
mozzarella cheese by capillary rheometry. Journal of Food Science, 45, 1142 - 1145.
Sun, D. W. (2000). Inspecting pizza topping percentage and distribution by a
computer vision method. Journal of Food Engineering, 44, 245 - 249. Talens, P., Mora, L., Morsy, N., Barbin, D. F., Elmasry, G., Sun, D. (2013). Prediction
of water and protein contents and quality classification of Spanish cooked ham using NIR hyperspectral imaging. Journal of Food Engineering, 117, 272 – 280.
Torricelli, A., Contini D., Dalla Mora A., Martinenghi E., Tamborini D., Villa F., Tosi A.,
Spinelli L. (2015). Recent advances in time-resolved nir spectroscopy for nondestructive assessment of fruit quality. Chemical Engineering Transactions, 44, 43 – 48.
Ustunol, Z., Kawachi, K., Steffe, J. (1994). Arnott Test Correlates with Dynamic
Rheological Properties for Determining Cheddar Cheese Meltability. Journal of Food Science. 59 (5), 970 – 971.
Vezouviou, E., Lowe, C. R. (2015). A near infrared holographic glucose sensor.
Biosensors and Bioelectronics, 68, 371 - 381. Walstra, P., Vliet, T. V. (1986). The physical chemistry of curd making. Netherlands
Milk Dairy Journal, 40, 241 - 259. Wang, H. H., Sun, D. W. (2001). Evaluation of the functional properties of Cheddar
cheese using a computer vision method. Journal of Food Engineering, 49(1), 49 - 53.
33
Wang, H. H., Sun, D. W. (2002a). Melting characteristics of cheese: analysis of effect of cheese dimensions using computer vision techniques. Journal of Food Engineering. 52, 279 - 284.
Wang, H. H, Sun, D. W. (2002b). Melting characteristics of cheese: Analysis of
effects of cooking conditions using computer vision techniques. Journal of Food Engineering, 51 (4), 305 - 310.
Wang, Y. C., Muthukumarappan, K., Ak, M. M., E Gunasekaran, S. (1998). A device
for evaluating melt/flow characteristics of cheeses. Journal of Texture Studies, 29, 43 - 55.
Woodcock, T., Fagan, C. C., O’donnell., C. P., Downey, G. (2008). Application of
Near and Mid-Infrared Spectroscopy to Determine Cheese Quality and Authenticity. Food Bioprocess Technology, 1, 117 – 129.
Xu, Z. M., Lam, E. Y. (2010). Image reconstruction using spectroscopic and
hyperspectral information for compressive terahertz imaging. Journal of the Optical Society of America, 27 (7), 1638 - 1646.
Yang, Y., Hughes, R. P., Aprahamian, I. (2014). Near-Infrared Light Activated Azo-
BF2 Switches. Journal of the American Chemical Society, 136 (38), 13190 - 13193.
34
Capítulo 2
DETERMINAÇÃO DA COMPOSIÇÃO E PROPRIEDADES FUNCIONAIS DE
QUEIJOS POR IMAGEM HIPERESPECTRAL DE INFRAVERMELHO PRÓXIMO
Caroline Bilhar Karaziack, Douglas Fernandes Barbin, Walkíria Hanada Viotto
A ser submetido à revista Journal of Dairy Science
35
Resumo
Neste estudo a técnica de imagem hiperespectral na região do infravermelho
próximo (928 – 2524nm) foi aplicada em queijos para determinação da composição
química e propriedades funcionais. Imagens hiperespectrais foram adquiridas de 50
amostras de queijos de variedades diferentes. Umidade, proteína, gordura, pH,
derretimento e formação de óleo livre foram determinados pelos métodos
tradicionais e relacionados com as informações espectrais através de modelos de
regressão de mínimos quadrados parciais. A análise de componentes principais foi
empregada nos espectros obtidos para discriminação entre amostras. O coeficiente
de determinação obtido pela validação sistemática no modelo PLS indicou que a
faixa espectral do infravermelho próximo (NIR) apresentou excelente desempenho
na determinação do conteúdo de umidade (R2cv = 0.89), gordura (R2
cv = 0.95) e
formação de óleo livre (R2cv = 0.86) em queijos. Os resultados obtidos no mapa
químico para as amostras mostraram que o valor médio da propriedade esteve
sempre próximo aos valores obtidos por métodos tradicionais de referência. Além
disso, o mapa químico permitiu visualizar a distribuição espacial dos atributos
avaliados. A metodologia de análise por imagem hiperespectral, ao combinar as
técnicas de imagem e espectroscopia na região NIR, mostrou-se adequada para
predição da composição e propriedades funcionais de queijos, de forma rápida e
não-destrutiva.
Palavras-chaves: Quimiometria, Análise de componentes principais, Muçarela,
Cheddar.
1 Introdução
Globalmente, os queijos representam 30% da produção láctea, apresentando
um crescimento constante nas últimas décadas. Em 2012, a produção ultrapassou
20 milhões de toneladas. (IDF, 2013). O aumento do consumo se deve
principalmente pelo seu uso como ingrediente (Lucey, 2008).
A composição química apresenta significante impacto na qualidade dos
queijos. Ela determina a vida de prateleira, o rendimento através da relação caseína
e gordura e as propriedades funcionais de queijos (Lucey, 2008). Entretanto, a sua
36
determinação demanda tempo, uso de reagentes, alguns deles corrosivos e danosos
à saúde. Ferramentas rápidas, baratas e simples como o infravermelho próximo
podem ser empregadas no controle de qualidade e para monitorar a funcionalidade
de uma enorme variedade de queijos disponíveis (Woodcock et al., 2008).
Dentre as inúmeras variedades de queijos existentes, a Muçarela é o principal
queijo usado como ingrediente, apresentando como requisito ter boa capacidade de
derretimento para o uso em pizzas. Outro queijo também empregado para esta
finalidade é o queijo cheddar (Lucey, 2008). Já o queijo de coalho, popularmente
consumido no Brasil na forma grelhada, não deve apresentar derretimento (Machado
et al., 2011). O uso mais recente do queijo prato em sanduíches exige boa
maquinabilidade desse queijo, propriedade não requerida quando era consumido
maturado, como queijo de mesa (Nonogaki et al., 2007). Uma variedade de queijo
processado é o requeijão do norte, que pode apresentar o defeito de exagerada
formação de óleo livre (Almeida, 2008). O queijo minas meia cura é usado como
ingrediente principalmente em pão de queijo, devido ao sabor característico e boa
fusão com os demais ingredientes. O derretimento e a formação de óleo livre são
duas importantes propriedades funcionais em queijos e são determinadas por
metodologias destrutivas, que demandam tempo e baixa reprodutibilidade.
Métodos rápidos, seguros e mais eficientes são cada vez mais requeridos para
a determinação da composição e propriedades funcionais dos queijos. A
espectroscopia por infravermelho próximo vem sendo muito aplicada na área
(química, farmacêutica, militar, agrícola, etc) e começa a ser bastante estudada para
a área de alimentos, pela rapidez, por ser uma técnica não destrutiva, não invasiva,
não precisar de preparo de amostra, nem reagentes ou solventes químicos e poder
determinar vários parâmetros simultaneamente (Buning-Pfaue, 2003). Em queijos, a
espectroscopia de infravermelho próximo é aplicada para controle de qualidade
(composição) (Botelho et al., 2013; Madalozzo et al., 2015), determinação de
aminoácidos livres durante a proteólise (Mlček et al., 2011; Mlček et al., 2013),
atributos sensoriais (González-Martín et al., 2011), textura (Revilla et al., 2009) e
determinação de autenticidade em diferentes tipos de queijos (Woodcock et al.,
2008).
A análise de imagem hiperespectral engloba espectroscopia e técnicas de
imagem com o intuito de fornecer informações espectrais e espaciais
simultaneamente (Elmasry et al., 2012). A técnica é também denominada como
37
imagem química ou espectroscópica e apresenta-se como uma ferramenta não
destrutiva, robusta e flexível de grande potencial para controle de qualidade de
indústrias (Gowen et al., 2007). Estudos utilizando imagem hiperespectral aplicado
na área de produtos lácteos, como queijos, não foram encontrados na literatura.
Técnicas espectrais seguidas de análises estatísticas multivariadas foram
empregadas para predizer o derretimento apenas de queijo processado (Blazquez et
al., 2006; Fagan et al., 2007; Amamcharla e Metzger, 2015).
O objetivo deste estudo foi investigar o potencial da técnica de imagem
hiperespectral no infravermelho próximo como um método rápido e não invasivo
para para predizer a composição química e propriedades funcionais de queijos. Os
objetivos específicos foram (1) estabelecer uma abordagem satisfatória para extrair
os dados espectrais das imagens hiperespectrais de amostras de queijos adquiridas
no infravermelho próximo no intervalo (928 – 2524nm), (2) correlacionar os
resultados de metodologias analíticas com os dados espectrais empregando o
modelo de regressão PLS, (3) identificar os principais comprimentos de onda que
estejam relacionados com os atributos avaliados e (5) aplicar os modelos de
predição nas imagens hiperespectrais para obter o mapa químico dos atributos
avaliados de diferentes variedades de queijos.
2 Material e métodos
2.1 Preparação das amostras
Os experimentos foram realizados com 38 amostras de queijos adquiridas no
comércio local do Estado de São Paulo, Brasil. Queijos Cheddar, Coalho, Minas
meia cura, Muçarela, Prato e Requeijão do Norte tiveram 2, 1, 7, 11, 11 e 6
amostras, respectivamente analisadas. 12 amostras de queijo de Coalho foram
elaboradas na planta piloto de Leites e derivados da Faculdade de Engenharia de
Alimentos na Unicamp, totalizando 50 amostras.
Foram removidas fatias de aproximadamente 0,5 cm da parte superior, inferior
e laterais antes da realização das análises. Foi retirado um cilindro de 36mm de
cada amostra para análises de derretimento e por infravermelho próximo (NIR). O
restante do queijo foi cortado em cubos pequenos e triturado em multiprocessador
até obtenção de partículas de 2-3 mm e posteriormente foi acondicionado em
38
frascos de vidro. As amostras foram mantidas sob refrigeração (4ºC) até o momento
das análises.
2.2 Medições analíticas
2.2.1 Caracterização Físico-Química Queijos
A composição química dos queijos foi avaliada de acordo com os seguintes
parâmetros: Teor de gordura pelo método de Gerber (Instituto Adolfo Lutz, 1985);
extrato seco total, pelo método gravimétrico em estufa de circulação forçada, a
1000C por 24 horas, segundo o método da AOAC 925.23 (1995); Proteína total foi
determinada através de teores de nitrogênio total (IDF, 1962) determinados pelo
método de Kjeldahl e as porcentagens multiplicadas por 6,38 para dar o equivalente
em proteína conforme descrito na AOAC 991.20 (1995); A determinação do pH foi
realizada pelo método potenciométrico, em pHmetro (Micronal, Modelo B375),
conforme AOAC 935.17 (1995). Todas as análises químicas foram realizadas em
triplicata.
2.2.2 Propriedades funcionais
A metodologia aplicada para avaliar o derretimento foi a de Schreiber
modificada, descrito por Yun et al (1993) foi utilizada para todas as amostras. O
teste foi aplicado com seis replicatas para cada amostra. Estas apresentavam
formato cilíndrico (36mm de diâmetro e 5mm de altura). As amostra foram colocados
em placas de petri individualmente e levadas a uma estufa de circulação forçada à
100 ºC por 7min. O diâmetro do queijo derretido foi medido em quatro direções
diferentes, separadas por um ângulo de 45o, após serem deixadas à temperatura
ambiente por 30 minutos. O resultado foi expresso como medida do diâmetro final
(cm).
A formação de óleo livre foi realizada de acordo com a metodologia de Gerber
modificado, conforme Kindstedt e Fox (1991). Os resultados foram expressos em
função da percentagem de queijo.
39
2.3 Imagem hiperespectral no infravermelho próximo
O sistema de imagem hiperespectral utilizado neste estudo foi constituído por
uma câmera hiperespectral (Specim – SisuCHEMA SWIR XL, SPECIM Ltda,
Finlândia), que opera no modo de varredura de linha. O sistema emprega uma lente
OLE15 com 200mm de campo de visão e resolução espacial de aproximadamente
625 µm, um espectrógrafo, câmera com resolução espacial de 320 pixels e 256
bandas de comprimento de onda, iluminação (lâmpadas de halogênio 10W) e uma
bandeja para suporte das amostras. As imagens foram obtidas no modo refletância,
na faixa do infravermelho próximo NIR (928 – 2524nm), com intervalo de 6nm,
totalizando 256 bandas em cada pixel. Todas as imagens foram automaticamente
calibradas para intensidade de refletância antes de serem analisadas.
Seis cilindros de queijo de cada amostra foram alocados em sequência para a
obtenção de cada imagem hiperespectral, que foi realizada a velocidade de
escaneamento de 63320 m/s. 50 amostras de queijos foram estudadas. Estas
apresentavam formato cilíndrico com diâmetro de 36 mm e 5 mm de altura, foram
alocadas na bandeja, que move-se sob o feixe iluminado do instrumento. O
processo de aquisição das imagens espectrais foi realizado pelo software
ChemaDAQ (Specim Ltda, Oulu, Finland).
2.4 Seleção da região de interesse e extração espectral
O espectro médio da amostra é um procedimento aplicado que visa melhorar a
reprodutibilidade dos espectros NIR obtidos (Gowen et al., 2009). Uma região de
interesse de cada um dos 6 cilindros de cada queijo foi selecionada de forma manual
para obtenção dos espectros (médios) e foram analisadas individualmente para os
50 queijos avaliados, totalizando 300 amostras. Foi utilizada praticamente toda a
área de cada cilindro, exceto as amostras que continham olhaduras, onde a região
foi descartada. A análise foi realizada utilizando o software EVINCE 2.0 (UmBio AB,
2009).
40
2.5 Análise estatística espectral
2.5.1 PCA e modelos de predição
A análise multivariada de dados é aplicada para interpretação de dados
espectrais devido a grande quantidade de informação e a sua natureza complexa.
As técnicas de Análise de componentes principais (PCA) e a regressão de mínimos
quadrados parciais (PLS) foram realizadas no programa Unscrambler (v. 9.7; Camo
A/S, Oslo, Norway).
Os dados espectrais de todas as amostras foram analisados pela técnica de
análise de componentes principais (PCA) para investigar diferenças espectrais entre
as amostras
Regressão por mínimos quadrados parciais foi aplicada a média espectral de
todos os pixels (256 comprimentos de onda) de cada amostra para estabelecer
modelos independentes de cada atributo avaliado. Neste estudo, parte do conjunto
de dados (200 espectros) foi utilizada na construção do modelo de calibração. As
amostras restantes (100 espectros) foram utilizadas como amostras externas no
teste de validação como dados independentes.
A qualidade das determinações realizadas pelo modelo de regressão foi
determinada através do calculo de coeficiente de determinação na calibração R2C,
erro padrão de calibração (SEC), coeficiente de determinação na validação
sistemática R2cv e erro padrão estimado pela validação sistemática (SECV). Altos
coeficientes de determinação (R2C and R2
cv) e baixos erros (SEC e SECV) indicam
um bom modelo de predição (Elmasry et al., 2011).
A taxa de desvio da desempenho, em inglês, ratio of performance deviation
(RPD) e a relação do intervalo de erro, em inglês, ratio of error range (RER), também
foram empregados para analisar os resultados obtidos da regressão. Estes
parâmetros são obtidos de acordo com as equações abaixo. Valores de RER no
intervalo de 4 - 8 sugerem a possibilidade de discriminação entre altos e baixos
valores de resposta, no intervalo de 8 – 12 representa a possibilidade de predição
quantitativa de dados e valores de RER maiores que 12 indicam boa previsibilidade
(Millmier, et al 2000). Valores de RPD acima de 3 são preferíveis para bons modelos
de calibração (Williams E Sobering, 1996).
41
RPD: DP SEP
RER: Máx – Mín SEP
DP: desvio padrão
RPD: taxa de desvio de desempenho
RER: relação do intervalo de erro
SEP: erro padrão de previsão
2.5.2 Seleção de comprimentos de onda
O espectro de infravermelho próximo apresenta um grande conjunto de
informações de sobretons e combinação de modos vibracionais, porém não são
todos os comprimentos de onda no espectro que apresentam informações
significativas para o componente de interesse. Cada pixel da imagem hiperespectral
apresenta um espectro completo no intervalo de comprimento de onda estudado,
isso representa um grande desafio para a análise de dados. Ao utilizar somente os
comprimentos de onda que oferecem informações de interesse, a quantidade de
informações a ser analisada pode ser reduzida, além de gerar um modelo de
regressão mais seguro e de fácil interpretação, podem melhorar a previsibilidade do
modelo, evitando ruídos e informações de outros comprimentos de onda que
possam ser interferentes (Bajcsy e Groves, 2004; Lee et al. 2008; Osborne et al.
1997).
Os comprimentos de onda mais importantes foram identificados através do
modelo obtido no conjunto utilizado na validação sistemática, onde os resultados
apresentavam maior R2CV e menor SECV. Os coeficientes de regressão produzidos
a partir dos modelos de regressão PLS na validação sistemática foram usados para
selecionar comprimentos de onda relevantes aos atributo de interesse. Dessa forma,
novos modelos de regressão PLS foram desenvolvidos utilizando somente os
comprimentos de onda selecionados para predição dos atributos estudados nas
amostras de queijo (Barbin et al., 2012). Todas as etapas descritas para a análise
espectral foi realizada em software de análise multivariada Unscrambler (v. 9.7;
Camo A/S, Oslo, Norway).
42
2.6 Mapa químico
Cada imagem hiperespectral das amostras de queijos continha 256 bandas de
comprimento de ondas. Estas foram analisadas individualmente e as informações
espectrais foram obtidas. Os comprimentos de onda mais importantes para cada
atributo foram selecionados a partir do coeficiente de regressão dos modelos de
regressão PLS. Os modelos resultantes foram aplicados em cada pixel da imagem
original, de forma a obter os mapas de concentração que exibem a distribuição dos
componentes no interior da amostra (Barbin et al., 2012).
Para a construção dos mapas de concentração, a imagem espectral reduzida
(em comprimentos de onda selecionados) foi desdobrada em primeiro lugar dentro
de uma matriz bidimensional (2-D) (XY × k), onde k é o número de comprimentos de
onda selecionados. Os modelos de regressão PLS resultantes foram, em seguida,
aplicados a cada pixel na imagem desdobrada. A matriz resultante foi reorganizada
para formar o mapa de concentração que apresenta a concentração dos
componentes no interior da amostra (Barbin et al., 2013). O processamento das
imagens para todos os atributos foi realizado no programa Matlab (The Mathworks
Inc., Natick, MA, USA).
3 Resultados e discussão
3.1 Composição química e propriedades funcionais dos queijos
A Tabela 1 resume as variações obtidas por métodos tradicionais na
composição química e das propriedades funcionais dos queijos analisados. Os
resultados das características de qualidade mostram uma vasta gama de variação
destes atributos, inclusive entre amostras da mesma variedade, com valores
extremos para medidas instrumentais. Os queijos avaliados representam a
diversidade de marcas encontradas no comércio local, a variação nos resultados
representa a não padronização de fabricação desses queijos.
Os resultados de composição apresentam valores diferentes entre as
variedades estudadas, como os teores de gordura que tiveram maior variação, de
acordo com o intervalo geral entre todas as amostras analisadas (34,67) e nos
resultados médios de queijo muçarela (25,73) e requeijões do norte (42,39). Entre as
43
variedades já era esperado diferenças na composição, devido ao modo de preparo
distintos e características requeridas de cada uma.
Os resultados de derretimento nas amostras de queijo muçarela variaram de
36,29 a 48,42mm de diâmetro, nas amostras de queijo prato, o diâmetro dos
cilindros variaram de 38,37 a 48,67mm. A variação neste atributo pode ser atribuída
aos diferentes tempos de armazenamento refrigerado de cada amostra, o que
possibilita diferentes graus de proteólise nos queijos.
O baixo valor de derretimento encontrado nos queijos de coalho (35,04) era o
resultado esperado e pode ser justificado pelo alto valor de pH (6,21) determinado
nas amostras. O baixo valor de pH (4,88) apresentado nas amostras de queijo minas
meia cura também influencia no baixo valor de derretimento encontrado (36,64).
O requeijão do Norte foi a variedade que apresentou a maior variação na
composição química, como mostrado pelo valor de intervalo (32) nos resultados de
análise de gordura, o que demonstra falta de padronização no processo de
fabricação. O excesso de formação de óleo livre (6,63) nesse queijo é um defeito
perceptível. A gordura liberada na superfície ocorre devido a sua emulsificação
incompleta durante o processo de fabricação.
O derretimento (49,41) e a formação de óleo livre (4,41) apresentados nas
amostras de queijo cheddar ocorrem devido à proteólise. Este queijo tem como uma
de suas etapas de fabricação, um período de maturação, o que permite a proteólise
nos queijos. O valor médio de óleo livre das amostras de queijo cheddar são
similares ao encontrado por Rynne et al. (2004) em queijo Cheddar com redução de
gordura e 180 dias de maturação.
44
Tabela 1. Resultados experimentais de composição e propriedades funcionais de diferentes variedades de queijos.
Variedades de queijos Proteína
(%)
Umidade
(%)
Gordura
(%)
Óleo livre
(%)
Derretimento
(mm)
pH
Cheddar 25,11 ± 4,77 34,36 ± 3,34 32,33 ± 8,96 4,41 ± 1,89 49,41 ± 1,65 5,30 ± 0,35
Minas Meia Cura 23,24 ± 4,78 42,29 ± 3,47 29,67 ± 2,99 2,12 ± 0,79 36,92 ± 1,85 4,88 ± 0,18
Coalho 22,98 ± 2,25 43,78 ± 2,07 29,60 ± 2,65 2,35 ± 0,74 35,04 ± 2,44 6,21 ± 0,25
Mozzarella 25,15 ± 2,00 45,29 ± 1,93 25,73 ± 2,43 1,93 ± 0,81 43,38 ± 3,89 5,38 ± 0,16
Prato 24,59 ± 1,84 41,98 ± 2,74 29,70 ± 3,45 2,10 ± 1,08 43,76 ± 3,27 5,53 ± 0,19
Requeijão do Norte 18,95 ± 4,61 34,90 ± 8,32 42,39 ± 13,30 3,77 ± 2, 79 36,64 ± 0,92 5,34 ± 0,23
45
3.2 Características espectrais das amostras de queijos
A Figura 1 apresenta os espectros médios obtidos para cada variedade de
queijo. As técnicas de pré-processamento MSC, SNV e derivadas foram feitas para
classificação e predição, porém não foram observadas influências nos modelos. As
características mais importantes que influenciaram o espectro de infravermelho
próximo nas amostras de queijos incluem as bandas relacionadas aos sobretons das
ligações C-H associada à gordura, O-H relacionadas com a água e N-H de amidas e
aminas em compostos orgânicos relacionados à proteína (Osborne et al., 1993).
Figura 1. Média espectral de cada variedade de queijo.
Os dados espectrais foram submetidos à análise de componentes principais,
realizado com validação sistemática com o objetivo de encontrar combinações
lineares de variáveis que melhor expliquem os dados sem levar em conta qualquer
informação externa. As primeiras duas componentes principais foram responsáveis
por 98,2% do total de variação entre as amostras avaliadas.
Os escores apresentados das duas principais componentes mostrados na
Figura 2 indica que ocorreu sobreposição no PC1 e no PC2 em quatro variedades
de queijos avaliadas (cheddar, muçarela, prato e requeijão do Norte). Entretanto, a
46
análise de PCA indicou diferenças espectrais entre as variedades minas meia cura e
queijo de coalho.
Figura 2. Gráfico de escores dos dois componentes principais para os dados espectrais de diferentes variedades de queijos.
3.3 Predição dos atributos de queijos
Os espectros de NIR obtidos das amostras de queijos foram utilizados no
desenvolvimento dos modelos de regressão (PLSR) para predição da composição
dos queijos (umidade, gordura e proteína), propriedades funcionais (derretimento e
formação de óleo livre), e pH. Os gráficos de dispersão 3A, 3B, 3C, 3D, 3E e 3F
apresentam os resultados observados e preditos da caracterização físico-química
(umidade, gordura, proteína e pH) e das propriedades funcionais (derretimento e
formação de óleo livre) dos queijos, respectivamente. O SEP, RPD, RER, SEC,
47
SECV e os coeficientes de determinação (R2) obtidos de todos os queijos avaliados
para cada atributo são apresentados na tabela 2.
Tabela 2. Comportamento dos modelos de PLS para predição das características físico-químicas (umidade, gordura, proteína e pH) e das propriedades funcionais (derretimento e formação de óleo livre) dos queijos utilizando os dados brutos.
LV R2
c SEC R2CV SECV R2
p SEP RPD RER Umidade 5 0,90 1,52 0,89 1,60 0,91 1,51 3,2 14,2
Gordura 5 0,95 0,52 0,95 1,60 0,97 1,25 5,7 27,7
Proteína 13 0,83 1,29 0,77 1,52 0,84 1,26 2,6 12,8
Derretimento 12 0,77 2,44 0,71 2,68 0,82 2,04 2,3 7,4
Óleo livre 12 0,90 0,39 0,86 0,46 0,85 0,55 2,6 12,9
pH 13 0,84 0,16 0,77 0,20 0,86 0,14 3,0 11,7 LV: variáveis latentes; R
2c: coeficiente de determinação da calibração; SEC: erro padrão em
calibração; R2cv: coeficiente de determinação da validação sistemática; SECV: erro padrão na
validação sistemática; R2
p: coeficiente de determinação da predição; SEP: erro padrão de previsão;
RPD: taxa de desvio de desempenho; RER: relação do intervalo de erro.
3.3.1 Predição da caracterização físico-química dos queijos
Os modelos de regressão PLS obtidos apresentaram excelentes coeficientes
de determinação R2 para umidade (R2c 0,90 e R2
CV 0,89) e gordura (R2c 0,95 e R2
CV
0,95), com RPD acima de 3 e RER maior que 12; ou seja, a região espectral NIR
apresentou excelente habilidade para predizer o conteúdo destes atributos nos
queijos, utilizando reduzido número de variáveis latentes (5) para cada propriedade,
dado o número de variedades de queijos (6) investigada. Os coeficientes de
determinação da proteína foram inferiores aos demais atributos (R2c 0,83 e R2
CV
0,77) empregando um número maior de variáveis latentes (13). O resultado de
proteína foi o único atributo que apresentou valor de RPD abaixo de 3 (2,5),
enquanto o de pH apresentou baixo valor de RER (11,7).
A medida de pH realizada pela imagem hiperespectral no infravermelho
próximo registra as diferenças nos padrões de absorbância devido a mudanças,
como por exemplo em forças intermoleculares ou mudanças estruturais nos queijos
em diferentes níveis de pH, diferentemente do que acontece na análise tradicional,
onde o pH é medido diretamente com eletrodos sensitivos a H+ (Andersen et al.,
1999).
48
3.3.2 Predição das propriedades funcionais dos queijos
Conforme resultados apresentados na tabela 2, a principal propriedade
funcional, o derretimento, foi o atributo que apresentou os menores coeficientes de
determinação e, tanto na calibração (0,77) quanto na validação (0,71), porém ainda
satisfatórios, uma vez que é uma propriedade complexa. O derretimento e a
formação de óleo livre utilizaram 12 variáveis latentes, apresentaram RPD inferior a
3 e o RER do derretimento foi 7,4. A variação de resultados para o modelo de
predição do derretimento pode estar relacionada à imprecisão do método de
referência, uma vez que pode haver diferença de temperatura entre as regiões da
estufa no método analítico e também pelo fato de a imagem ser extraída somente
antes das amostras serem submetidas ao aquecimento.
Blazquez et al (2006) avaliou a predição de derretimento apenas em queijo
processado utilizando infravermelho próximo, onde apresentou 6 variáveis latentes e
RER 14,2 nos resultados sem aplicação de pré-tratamentos. Estes resultados são
superiores aos encontrados nesta pesquisa.
3A 3B
4A
3C 3D
Umidade Gordura
Proteína
49
Figura 3. Regressão linear de valores obtidos por metodologia de referência versus valores preditos de (3A) umidade, (3B), gordura, (3C) proteína, (3D) pH, (3E) derretimento e (3F) óleo livre dos queijos
3.4 Seleção dos comprimentos de onda
As imagens hiperespectrais geram uma grande quantidade de dados que
podem causar redundância. O uso de um reduzido número de comprimentos de
onda possui a vantagem de tornar o modelo mais estável, eliminando possíveis
ruídos que acabam incorporados ao modelo, além de facilitar a implementação da
metodologia de ‘mapas químicos’ utilizando o sistema de imagem hiperespectral em
seguida. Os comprimentos de onda selecionados para cada atributo estão
apresentados na Tabela 3.
Tabela 3. Comprimentos de onda selecionados para cada atributo
Umidade (6) 998, 1212, 1394, 1733, 1870, 1970
Gordura (7) 966, 998, 1212, 1344, 1614, 1895, 2020
Proteína (17) 1010, 1130, 1180, 1206, 1388, 1501, 1588, 1682, 1707, 1733, 1758, 1864, 1895, 2176, 2275, 2307, 2331
Derretimento (21)
973, 1004, 1174, 1206, 1224, 1388, 1419, 1507, 1582, 1676, 1707, 1733, 1783, 1864, 1908, 1951, 2007, 2082, 2126, 2163, 2307
Óleo livre (18)
960, 998,1180, 1388, 1432, 1545, 1676, 1733, 1776, 1839, 1945, 2051, 2107, 2263, 2307, 2331, 2356, 2449
pH (18) 973, 991, 1105, 1149, 1206, 1381, 1407, 1451, 1520, 1588, 1676, 1739, 1795, 1939, 2001, 2176, 2257, 2344
Números entre parênteses correspondem a quantidade de comprimentos de onda
selecionados.
Pode-se observar que alguns comprimentos de onda podem ser associados
diretamente à algumas propriedades estudadas. O comprimento de 998nm,
relacionado ao segundo sobretom da ligação O-H aparece nos modelos de umidade,
3E 3F Derretimento $
Óleo livre
50
gordura e óleo livre. Da mesma forma, o comprimento de onda de 1206 a 1212nm
relacionado ao segundo sobretom da ligação C-H aparece nos modelos de umidade,
gordura, proteína, derretimento, e pH.
3.5 Modelos de regressão PLS utilizando comprimentos de onda selecionados
para os atributos instrumentais analisados
Para avaliar a aplicação das bandas selecionadas na precisão de atributos das
amostras, novos modelos de regressão PLS foram desenvolvidos utilizando os
comprimentos de onda selecionados. O desempenho desses modelos é
apresentado na tabela 4.
Tabela 4. Resultados de predição e validação com comprimentos de onda selecionados.
LV R2c SEC R2
CV SECV R2p SEP RPD RER
Umidade 5 0,94 1,22 0,93 1,27 0,90 1.59 3,08 13,53
Gordura 3 0,94 1,74 0,93 1,80 0,95 1.50 4,77 23,11
Proteína 9 0,79 1,45 0,76 1,55 0,77 1.54 2,08 10,45
Derretimento 12 0,77 2,43 0,71 2,68 0,78 2.27 2,11 6,68
Óleo livre 10 0,88 0,43 0,85 0,46 0,85 0.48 2,99 14,79
pH 11 0,76 0,20 0,72 0,22 0,76 0.20 2,10 8,20 LV: variáveis latentes; R
2c: coeficiente de determinação da calibração; SEC: erro padrão em
calibração; R2cv: coeficiente de determinação da validação sistemática; SECV: erro padrão na
validação sistemática; R2
p: coeficiente de determinação da predição; SEP: erro padrão de previsão;
RPD: taxa de desvio de desempenho; RER: relação do intervalo de erro
Os modelos de regressão PLS obtidos utilizando apenas os comprimentos de
onda mais relevantes apresentaram excelentes coeficientes de determinação R2
para umidade (R2c 0,94 e R2
CV 0,93), ainda melhores que os modelos utilizando o
intervalo espectral completo; e gordura (R2c 0,94 e R2
CV 0,93), com RPD de 3,08 e
4,77 e RER de 13,53 e 23,11 para umidade e gordura, respectivamente. Os
coeficientes de determinação da proteína foram inferiores aos demais atributos (R2c
0,79 e R2CV 0,76) empregando um número maior de variáveis latentes (9). Já para as
propriedades funcionais, o melhor modelo obtido foi para a predição de óleo livre,
com valores de R2cv de 0,85, RPD de 2,99 e RER de 14,79, mostrando que pode ser
utilizado para predição deste atributo.
51
3.6 Mapa químico
Os modelos obtidos com os comprimentos de onda selecionados foram
aplicados nas imagens, para obtenção dos mapas químicos de todas as amostras. A
Figura 4 apresenta uma amostra de cada variedade de queijo, com o ‘chemical map’
de cada uma das propriedades avaliadas. Os valores apresentados no canto inferior
direito de cada cilindro de queijo correspondem a média do valor obtido de todos os
pixels da área estudada. A escala apresentada no lado direito de cada atributo
corresponde a faixa de valores mínimo e máximo obtido para cada atributo pelo
modelo de predição. As cores mostradas em cada cilindro de queijo correspondem a
concentração do atributo analisado.
Figura 4. Mapa químico das amostras.
Os resultados obtidos para as amostras mostraram que o valor médio da
propriedade esteve sempre próximo aos valores obtidos por métodos tradicionais de
referência. Além disso, esta técnica permite observar a variação das propriedades
52
espacialmente na amostra. Requeijão do Norte apresentou excessiva liberação de
óleo livre, associada a um alto teor de gordura e baixo valor de proteína e umidade
no mapa químico. O derretimento observado está de acordo com os resultados de
referência, com o queijo Cheddar apresentando o maior derretimento, seguido da
muçarela e prato enquanto as outras variedades apresentaram baixos valores de
derretimento.
A aplicação da imagem hiperespectral em queijos permite uma visão
panorâmica do que ocorre em todas as regiões do queijo. Nas técnicas tradicionais
de análise, devido à heterogeneidade dos queijos, é de praxe utilizar procedimentos
rigidamente definidos e padronizados de amostragem e grande número de
repetições para garantir a obtenção de um resultado que represente a média do
componente ou a propriedade analisada.
A heterogeneidade dos queijos pode ser verificada em relação à composição,
reações de cura ou maturação, desenvolvimento microbiano, textura, sabor e
funcionalidade que são diferentes nas diferentes regiões do queijo. Por exemplo,
devido ao lento processo de difusão do sal em queijos, o teor de sal é mais
pronunciado na casca e menor ou inexistente no seu interior. Consequentemente, o
centro do queijo apresentará maior teor de umidade, maior atividade de água, maior
desenvolvimento microbiano, ação mais intensa de enzimas e maior intensidade e
velocidade de reações químicas e bioquímicas. Estas últimas irão afetar
propriedades químicas, físicas e funcionais dos queijos, influenciando também as
propriedades sensoriais. Portanto, a aquisição de imagens hiperespectrais,
associadas à quimiometria, pode permitir visualizar a distribuição dos compostos e o
comportamento das propriedades nas diferentes regiões do produto, de forma
rápida, segura e econômica.
4. Conclusão
A metodologia de análise por imagem hiperespectral, ao combinar as técnicas
de imagem e espectroscopia no intervalo NIR, mostrou-se adequada para predição
de propriedades composicionais, e até de algumas propriedades funcionais de
queijos, de forma rápida e não destrutiva. A composição do mapa químico permitiu
visualizar a distribuição espacial dos atributos avaliados, mostrando potencial
aplicação no controle de qualidade da funcionalidade dos queijos.
53
Referências
Almeida, A. P. N. Efeito Do Ph Na Qualidade Do Queijo De Manteiga. 2008. Dissertação (Mestrado Em Tecnologia De Alimentos) - Faculdade De Engenharia De Alimentos, Universidade Estadual De Campinas, Campinas.
Amamcharla, J. K. Metzger, L. E. 2015. Prediction Of Process Cheese Instrumental
Texture And Melting Characteristics Using Dielectric Spectroscopy And Chemometrics. Journal Of Dairy Science. 98:6004–6013.
Andersen, J.R.; Borggaard, C.; Rasmussen, A.J.; Houmùller, L.P. 1999. Optical
Measurements Of Ph In Meat. Meat Science. 53:135-141. AOAC International. 1995. Association Of Official Analytical Chemists. Official
Methods Of Analysis Of Aoac International. 16 Ed., Arlington. Bajcsy, P.;Groves, P. 2004. Methodology For Hyperspectral Band Selection.
Photogrammetric Engineering And Remote Sensing Journal. 70: 793–802. Barbin, D. F.; Elmasry, G.; Sun, D.; Allen, P. 2013. Non-Destructive Determination Of
Chemical Composition In Intact And Minced Pork Using Near-Infrared Hyperspectral Imaging. Food Chemistry. 138:1162 – 1171.
Barbin, D. F.; Elmasry, G.; Sun, D.; Allen, P. 2012. Predicting Quality And Sensory
Attributes Of Pork Using Near-Infrared Hyperspectral Imaging. Analytica Chimica Acta. 719: 30– 42.
Blazquez, C.; Downey, G.; O’callaghan, D.; Howard, V.; Delahunty, C.; Sheehan, E.;
Everard, C.; O’donnell, C. 2006. Modelling Of Sensory And Instrumental Texture Parameters In Processed Cheese By Near Infrared Reflectance Spectroscopy. Journal Of Dairy Reserch. 73: 58 – 69.
Botelho, B. G.; Mendes, B. A. P.; Sena, M. M. 2013. Development And Analytical
Validation Of Robust Near-Infrared Multivariate Calibration Models For The Quality Inspection Control Of Mozzarella Cheese. Food Analytical. Methods. 6: 881–891.
Buning-Pfaue, H. 2003. Analysis Of Water In Food By Near Infrared Spectroscopy.
Food Chemistry. 82:107–115. Elmasry, G.; Barbin, D. F.; Sun, D.; Allen, P. 2012. Meat Quality Evaluation By
Hyperspectral Imaging Technique: An Overview. Critical Reviews In Food Science And Nutrition. 52:689–711.
Elmasry, G., Sun, D.-W., E Allen, P. 2011. Non-Destructive Determination Of Water-
Holding Capacity In Fresh Beef By Using Nir Hyperspectral Imaging. Food Research International, 44:2624 – 2633.
54
Fagan, C.C.; Everard, C.; O’donnell, C. P.; Downey, G.; Sheehan, E. M.; Delahunty, C.M.; O’callaghan, D.J.; Howard, V. 2007. Prediction Of Processed Cheese Instrumental Texture And Meltability By Mid-Infrared Spectroscopy Coupled With Chemometric Tools. Journal Of Food Engineering. 80:1068–1077.
González-Martín, M.I.; Severiano-Pérez, P.; Revilla, I.; Vivar-Quintana, A.M.;
Hernández-Hierro, J.M.; González-Pérez, C.; Lobos-Ortega, I.A. 2011. Prediction Of Sensory Attributes Of Cheese By Near-Infrared Spectroscopy. Food Chemistry. 127:256–263.
Gowen, A.A.; O’donnell, C.P.; Cullen, P.J.; Downey, G.; Frias, J.M. 2007.
Hyperspectral Imaging - An Emerging Process Analytical Tool For Food Quality And Safety Control. Trends In Food Science And Technology. 18:590 - 598.
Gowen, A., Taghizadeh, M., E O’donnell, C. P. 2009. Identification Of Mushrooms
Subjected To Freeze Damage Using Hyperspectral Imaging. Journal Of Food Engineering. 93:7–12.
Instituto Adolfo Lutz. Normas Analíticas Do Instituto Adolfo Lutz. D.B. Rebocho Ed.
São Paulo, 1985. International Dairy Federation. Bulletin Of The International Dairy Federation
470/2013. International Dairy Federation. Disponível Em: Http://Www.Fil-Idf.Org/Public/Publicationspage.Php?Id=40634&Text=Situation&Show=40634&Viewing_Code=&Language=Eng. Acesso Em: 10/01/2015.
International Dairy Federation. Determination Of The Total Nitrogen Content Of Milk
By The Kjeldahl Method. Brussels, N.20, P.1-3, 1962. Kindstedt, P. S., E Fox, P. F. 1991. Modified Gerber Test For Free Oil In Melted
Mozzarella Cheese. Journal Of Food Science. 56:1115 – 1116. Lee, K.; Kang, S.; Delwiche, S.R.; Kim, M.S.; Noh, S. 2008. Correlation Analysis Of
Hyperspectral Imagery For Multispectral Wavelength Selection For Detection Of Defects On Apples. Sensing & Instrumentation For Food Quality And Safety. 2:90–96.
Lucey, J. A. 2008. Some Perspectives On The Use Of Cheese As A Food Ingredient.
Dairy Science and Technology. 88:573–594. Machado, G. M.; Costa, R. G. B.; Costa Junior, L. C. G.; Sobral, D.; Taveira, L. B.;
Souza, B. M. 2011. Aspectos Físico-Químicos De Queijo De Coalho Fabricado Com O Uso De Ácido Lático. Alimentos e Nutrição Araraquara. 22:421-428.
Madalozzo, E. S.; Sauer, E.; Nagata. 2015. Determination Of Fat, Protein And
Moisture In Ricotta Cheese By Near Infrared Spectroscopy And Multivariate Calibration. Journal of Food Science and Technology. 52:1649–1655.
Millmier, A.;Lorimor, J.; Hurburgh, C.; Fulhage, C.; Hattey, J.; Zhang, H. 2000. Near-
Infrared Sensing Of Manure Nutrients. Transactions Of The Asae. 43:903–908.
55
Mlček, J.; Rop, O.; Dohnal, V.; Šustová, K. 2011. Application Of Near Infrared
Spectroscopy To Estimate Selected Free Amino Acids And Soluble Nitrogen During Cheese Ripening. Acta Veterinaria Brno. 80:293–297.
Mlček, J.; Šustová, K.; Rop, O.; Juríková, T.; Humpolíček, P.; Balla, S. 2013. Rapid
Assessment Of Selected Free Amino Acids During Edam Cheese Ripening By Near Infrared Spectroscopy. Acta Veterinaria Brno. 82:191–196.
Nonogaki, C. O.; Monteiro, V. S.; Gigante, M. L. 2007. Metodologia Para Avaliar A
Capacidade De Derretimento De Queijo Prato. Brazilian Journal Food Technology. 10:71-77.
Osborne, B. G.; Fearn, T.; E Hindle, P. H. 1993. Practical Nir Spectroscopy: With
Applications In Food And Beverage Analysis. Longman Scientific And Technical, Harlow, 227p.
Osborne, S.; Jordan, R.; Kunnemeyer, R. 1997. Methods Of Wavelength Selection
For Partial Least Squares. Analyst. 122:1531–1537. Revilla, I.; González-Martín, I.; Hernández-Hierro, J.M.; Vivar-Quintana, A.;
González-Pérez, C.; Lurueña-Martínez, M.A. 2009. Texture Evaluation In Cheeses By Nirs Technology Employing A Fibre-Optic Probe. Journal Of Food Engineering. 92:24–28.
Rynne, N. M.; Beresford, T. P.; Kelly, A. L.; Guinee, T. P. 2004. Effect Of Milk
Pasteurization Temperature And In Situ Whey Protein Denaturation On The Composition, Texture And Heat-Induced Functionality Of Half-Fat Cheddar Cheese. International Dairy Journal. 14:989-1001.
Williams, P. C.; Sobering, D. 1996. How Do We Do It: A Brief Summary Of The
Methods We Use In Developing Near Infrared Calibrations. A.M.C. Davies, P.C. Williams (Eds.), Near Infrared Spectroscopy: The Future Waves, Nir Publications, Chichester, West Sussex, Uk, Pp. 185–188
Woodcock, T.; Fagan, C. C.; O’donnell.; C. P.; Downey, G. 2008. Application Of
Near And Mid-Infrared Spectroscopy To Determine Cheese Quality And Authenticity. Food Bioprocess Technology. 1:117–129.
Yun, J. J. Et Al. 1993. Mozzarella Cheese: Impact Of Milling Ph On Functional
Properties. Journal Of Dairy Science. 76:3639-3647.
56
DISCUSSÃO GERAL
Os resultados das análises físico-químicas mostram variações na composição
química e das propriedades funcionais dos queijos analisados. Os resultados das
características de qualidade sugerem uma vasta gama de variação destes atributos,
inclusive entre amostras da mesma variedade. Os queijos avaliados representam a
diversidade de marcas encontradas no comércio local e diferentes propriedades
funcionais.
A variação nos resultados de composição química, principalmente entre as
marcas de requeijão do norte, representa a não padronização de fabricação dos
queijos. A variação nas propriedades funcionais pode ser atribuída ao tempo de
armazenamento refrigerado diferente de cada amostra, possibilitando assim
diferentes graus de proteólise nos queijos. Entre as variedades já era esperado
diferenças na composição e nas propriedades funcionais, devido ao modo de
preparo distintos e características requeridas de cada um.
A diferença na refletância entre as variedades de queijos pode ser atribuída a
variações na composição química das amostras na faixa espectral do NIR.
De acordo com a análise de componentes principais, os primeiros dois
componentes foram responsáveis por 98,2% do total de variação entre as amostras
avaliadas. Os escores apresentados dos dois primeiros componentes mostram que
ocorreu sobreposição no PC1 e PC2 em quatro variedades de queijos avaliadas
(cheddar, muçarela, prato e requeijão do Norte). Entretanto, a análise de PCA
indicou diferenças espectrais entre as variedades minas meia cura e queijo de
coalho.
Os modelos de regressão PLS obtidos apresentaram excelentes coeficientes
de determinação R2 para umidade (R2c 0,90 e R2
CV 0,89) e gordura (R2c 0,95 e R2
CV
0,95), com RPD acima de 3 e RER maior que 12; ou seja, a região espectral NIR
apresentou excelente habilidade para predizer o esses atributos nos queijos,
utilizando reduzido número de variáveis latentes (5) para cada propriedade, dado o
número de variedades de queijos (6) investigada. A principal propriedade funcional,
o derretimento, foi o atributo que apresentou os menores coeficientes de predição
(R2) e, tanto na calibração (0,77) quanto na validação (0,71), porém ainda
satisfatórios, uma vez que é uma propriedade complexa.
57
Os resultados obtidos no mapa químico mostraram que o valor médio da
propriedade esteve sempre próximo aos valores obtidos por métodos tradicionais de
referência. Além disso, esta técnica permite observar a variação das propriedades
espacialmente na amostra.
58
CONCLUSÃO GERAL
A Espectroscopia no infravermelho próximo mostrou excelente habilidade para
predizer o conteúdo de umidade, gordura e formação de óleo livre em queijos. O
modelo proposto também foi capaz de prever a capacidade de derretimento dos
queijos. Apesar do coeficiente de correlação mais baixo (R2cv = 0.71), quando
comparado com outras propriedades preditas pelo modelo, o valor foi aceitável e
pode ser aprimorado com adição de queijos com maior variação no grau de
maturação. A metodologia de análise por imagem hiperespectral, ao combinar as
técnicas de imagem e espectroscopia no intervalo NIR, mostrou-se adequada para
predição de propriedades composicionais e funcionais de queijos, de forma rápida e
não-destrutiva. A composição química determinada pelo mapa químico permitiu
visualizar a distribuição espacial dos atributos avaliados, mostrando grande potencial
para auxiliar a entender a estrutura e funcionalidade dos queijos.