FAQs
Home / FAQs
- PERGUNTAS FREQUENTES
Perguntas Frequentes sobre a Linha Visum
O que é espectroscopia NIR?
A espectroscopia NIR ou Near Infrared Spectroscopy, é uma técnica de análise para determinar a composição química e certas propriedades físicas de vários materiais e produtos com base na análise da interação da radiação ótica (luz) com as estruturas moleculares e atómicas destes materiais. Por isso, a NIR é uma técnica muito abrangente na análise de alimentos, grãos, misturas e produtos farmacêuticos, químicos, cosméticos e mesmo noutras indústrias, tais como plásticos para a identificação de polímeros, reciclagem, madeira, entre outras.
Em termos práticos, a espectroscopia NIR envolve o desenvolvimento de modelos de machine learning que convertem a informação espectral em valores de parâmetros de análise quantitativos e qualitativos.
Para que serve e espectroscopia NIR na indústria?
A espectroscopia – e especialmente a espectroscopia NIR – é uma tecnologia versátil e robusta no que se conhece como PAT (process analytical technologies), ou seja, o controle dos processos de produção e da qualidade do produto produzido com base no conhecimento, em tempo real e em linha, da composição e das propriedades físicas do que será produzido e não apenas de informações sobre as condições do processo.
Por esta razão a sua aplicabilidade vai desde a determinação exata do conteúdo da água até à determinação do ponto final das misturas, para não mencionar o grau de cura (polimerização), a identificação de materiais para a sua separação, a validação da matéria-prima ou mesmo a deteção de anomalias devidas a acidentes ou práticas fraudulentas.
Vantagens da espectroscopia em linha vs equipamento de laboratório.
A vantagem óbvia é o tempo necessário para ter o resultado e, portanto, para tomar uma decisão sobre o processo em curso. Com uma sonda espectroscópica, o resultado fica disponível em frações de segundo, enquanto as sondas de laboratório podem demorar de horas a dias.
Além disso, ao ser a determinação totalmente automática, os fatores de distorção nas análises tradicionais inerentes à intervenção humana, tanto na amostra como na análise, são eliminados.
Qual é o limite de detecção da espectroscopia NIR em linha?
Em geral, a espectroscopia NIR em linha não é adequada para a determinação de concentrações inferiores a 0,1% em peso, sendo 0,05% em peso um limiar bastante frequente em aplicações desta tecnologia quando se usa em linha ou em tempo real.
O que é a espectroscopia Raman?
A diferença da espectroscopia NIR, onde a água pode ser um fator consideravelmente significativo, para um sinal Raman a água não é um problema. Ambas as espectroscopias podem ser complementares quanto a possíveis aplicações: dado um certo caso prático, foram comparados os resultados obtidos alcançáveis por ambas as tecnologias com a finalidade de selecionar a mais adequada, uma vez que os fatores a considerar não são apenas metrológicos.
No entanto, a seguir estão listadas algumas aplicações da espectroscopia Raman:
- Caracterização dos processos de cristalização.
- Controle do processo de polimerização.
- Identificação dos componentes.
- Reações de hidrogenação.
- Quantificação dos princípios ativos farmacêuticos (APIs) em baixas concentrações.
- Controle do processo de fermentação e extração de APIs.
- Caracterização de substâncias orgânicas ou inorgânicas.
- Geologia e mineralogia.
- Semicondutores
- Investigação de materiais.
Para que serve e espectroscopia Raman na indústria?
Tal como na espectroscopia NIR, as sondas Raman são meios idóneos para utilização como ferramentas PAT. A diferença da espectroscopia NIR, onde a água pode ser um fator consideravelmente significativo, para um sinal Raman a água não é um problema. Ambas as espectroscopias podem ser complementares quanto a possíveis aplicações: dado um certo caso prático, foram comparados os resultados obtidos alcançáveis por ambas as tecnologias com a finalidade de selecionar a mais adequada, uma vez que os fatores a considerar não são apenas metrológicos.
O que é e como funciona a visão artificial com redes neurais?
A visão artificial baseada em deep learning (redes neurais) imita, até certo ponto, a forma como o cérebro humano processa a informação visual, pelo que, tal como acontece com o cérebro, é essencial que exista primeiro um processo de aprendizagem. Para tal, deve estar disponível um conjunto de imagens suficientemente representativas dos casos a detetar, que serve para “treinar” a rede neural, ou seja, a rede deve ser capaz de “interpretar” ou “reconhecer” as características de interesse. Uma vez validada a rede construída, esta é utilizada para inspecionar a cada nova imagem, sendo a saída da rede uma etiqueta que identifica essa imagem como pertencente a uma das classes pré-definidas. Na prática, uma rede neural é um conjunto de valores numéricos, recolhidos num ficheiro digital, específicos para uma tarefa determinada, de modo a que um software dedicado “aplique” a rede a cada imagem com a finalidade de obter a etiqueta correspondente à classe a que a imagem parece pertencer.
As redes neuronais vs algoritmos tradicionais.
Os algoritmos de visão artificial tradicionais são determinísticos. Isto significa que, através de funções matemáticas, sejam genéricas ou específicas, são analisadas cada imagem em função das características de interesse. Esta abordagem limita a sua aplicação a casos muito concretos, onde as características são muito marcadas ou evidentes em relação ao resto dos elementos de imagem e exigem sempre a intervenção de peritos humanos. No mundo real as circunstâncias favoráveis à utilização de algoritmos determinísticos não são muito frequentes. Pelo contrário, há muitos elementos interferentes que afetam grandemente a exatidão do resultado. A deep learning, por outro lado, não parte de pressupostos mais ou menos realistas mas, na fase de aprendizagem, adapta-se automaticamente às circunstâncias, ou seja, é menos sensível a variações imprevistas e isso pode conseguir-se sem a necessidade de pressupostos teóricos ou do trabalho de um perito.
Aplicações da visão artificial baseadas no deep learning na indústria
A aplicação mais frequente é a deteção de defeitos morfológicos a fim de ativar um sistema de rejeição que descarta os produtos etiquetados pela rede neural como defeituosos. Por exemplo, deteção de corpos estranhos ou unidades defeituosas em alimentos, diferenças cromáticas intoleráveis em partes, têxteis ou produtos alimentares ou a quantificação objetiva de defeitos ou falhas com a finalidade de calcular um preço justo para os vários graus de qualidade de um produto, por exemplo, defeitos em grãos para venda e comercialização.