Abordagem Híbrida e Misturada de Aprendizado Profundo para Análise da Qualidade do Leite

Houve um aumento na implementação da Inteligência Artificial (IA) na indústria de laticínios para Análise da Qualidade do Leite (AQL). No entanto, algoritmos tradicionais de Aprendizado de Máquina (AM) podem não ser eficazes devido à não-linearidade nos dados espectrais do leite e à necessidade de pré-processamento. Características importantes dos dados espectrais podem ser perdidas durante a fase de pré-processamento, o que é um problema sério. O Aprendizado Profundo (AP) pode ajudar ao eliminar a necessidade de pré-processamento, evitando assim a perda de informações. Embora métodos tradicionais de AP tenham sido usados em aplicações de pecuária leiteira, há menos estudos que indicam o uso de AP para AQL. Portanto, há uma necessidade de desenvolver novos modelos de AP para AQL para melhorar a precisão da classificação no monitoramento da qualidade do leite. Este estudo propõe uma abordagem Híbrida e Misturada de Aprendizado Profundo (HyBDL) para melhor precisão de classificação e menores erros de previsão. O modelo proposto superou modelos clássicos de AP e modelos Híbridos de AP em termos de precisão geral, perda e precisão por classe utilizados neste estudo. O modelo atingiu 98,03% de precisão e menores pontuações de Erro Quadrático Médio (EQM) para cada iteração, e seu consumo de energia, consumo total e tempo de treinamento foram avaliados. Para apoiar nosso trabalho, calculamos o índice de reprodutibilidade para todos os modelos, representando quão consistentes os resultados são quando repetidos várias vezes. Uma análise da complexidade de tempo dos modelos foi realizada para comparar o consumo de recursos e os tempos de treinamento dos aprendizes base e do modelo HyBDL. Para validar ainda mais o desempenho de nosso modelo, o treinamos em diferentes dispositivos de borda que consomem muitos recursos, como o NVIDIA Jetson Nano e um dispositivo de baixo custo. Dispositivos de borda podem ser usados em plantas de processamento de laticínios para fornecer previsões em tempo real da qualidade do leite, tornando-se essenciais neste campo de pesquisa. Nosso modelo proposto HyBDL superou todos os outros modelos ao ter um índice de desvio baixo de 0,0037 para dez iterações e 0,0077 para 100 iterações, mostrando alta reprodutibilidade.