O mercado envolvendo a indústria têxtil movimenta aproximadamente 500 bilhões de dólares ao ano no mundo todo [Goldman Sachs 2016]. Ao tratar-se de mercados que utilizam esta produção têxtil para gerar outros produtos, como roupas, acessórios, o valor deste mercado alcança a casa de trilhões de dólares movimentado ao ano mundialmente [Yi, X. et al. 2014][ Maloney C. 2015].
Juntamente com este, o mercado de artefatos falsos ou counterfeitings, que se define como um produto feito em imitação na tentativa de se passar como legítimo, também tem crescido muito com o aumento das exportações e importações em âmbito mundial. Essa alta mobilidade e quantidade de produtos cria um cenário em que o combate às mercadorias falsas torna-se uma tarefa muito difícil de ser realizada e monitorada.
Estima-se que apenas na Itália, o prejuízo referente à artefatos falsificados chegue na casa dos 2 bilhões de euros ao ano [UIBM 2012]. Tratando-se de um grande montante de dinheiro, políticas de atuação nas áreas de fiscalização e apreensão de produtos falsificados tem sido assuntos tratados com prioridade por muitas economias globais.
Porém, hoje em dia, sabe-se que mercadorias falsificadas podem ser adquiridas facilmente e rapidamente por qualquer consumidor em diversas localidades [Maloney C. 2015], e o aumento da tecnologia usada para a confecção desses produtos faz com que a identificação de uma mercadoria falsificada possa se tornar uma tarefa laboriosa e que requer grande quantidade de tempo [Maloney C. 2015][UIBM 2012].
Assim, é importante que a tecnologia disponível para combater a prática da pirataria esteja, pelo menos, no mesmo patamar. Logo, pode-se notar que na última década avanços na implementação de tecnologias antipirataria com alto nível tecnológico, envolvendo a criação de tecidos com informações em sua própria fibra, que possam ser facilmente identificados de materiais fraudulentos [Zhao, M. et al. 2010][ Hendrick, E. et al. 2010].
Uma alternativa, seria a utilização da espectroscopia no infravermelho próximo (NIRS) como ferramenta de identificação de possíveis artefatos fraudulentos, tendo em vista que a NIRS já é usada para análises na indústria têxtil [Cleve, E. et al. 2010][ Mossotti, R et al. 2006 ]. O fato de equipamentos NIRS não portáteis apresentarem certas restrições abordadas na introdução, além de requererem um treinamento para serem operados, torna a possibilidade do uso desta tecnologia parcialmente inviável, tendo em vista o tempo necessário para transporte, leitura, e interpretação dos dados das amostras.
Porém, o uso de equipamentos portáteis e de mais fácil manuseio pode trazer uma diminuição nas dificuldades mencionadas acima, como a portabilidade e preço, além do tempo de análise; tornando o uso da NIRS uma possível ferramenta no combate à fiscalização e apreensão de produtos falsificados ou piratas.
II.II Objetivos
Utilizando o espectrofotômetro portátil MicroNIR 1700, produzido pela empresa Viavi®:
1) Obter dados espectrais de diferentes tipos de tecidos como: algodão, poliéster, couro, couro sintético e seda.
2) Utilizar os dados espectrais obtidos para a criação de modelos quimiométricos visando a classificação destes tecidos em grupos distintos.
3) Proceder com uma validação externa por SIMCA com intuito de estudar se os modelos criados conseguem classificar corretamente amostras externas.
II.III Materiais e Métodos
Equipamentos e Softwares utilizados
MicroNIR 1700
A descrição completada do equipamento utilizado pode ser encontrada na mesma sessão no capitulo I – Frutas. O mesmo equipamento será utilizado nesta etapa do trabalho.
Unscrambler X
O programa Unscrambler X foi escolhido como software de tratamento dos dados obtidos pelo MicroNIR. Este programa, produzido pela empresa Camo®, é um
software criado especialmente para tratamento de dados multivariados, como é o caso dos dados espectrais.
O programa permite realizar tratamentos estatísticos como pré-tratamento, pré- análise e análise dos dados, assim como a construção de modelos de previsão e classificação.
Rotina de análise
Rotina completa.
A rotina de análise para amostras de tecidos pode ser vista abaixo, na Figura 36.
Figura 36: Rotina de análises realizadas utilizando o MicroNIR
Espectros
(MicroNIR) em
lojas
Tratamento dos
espectros
Modelos PCA
Modelo SIMCA
Espectros obtidos com o MicroNIR em lojas de tecidos
Visitou-se lojas na região de Campinas-SP especialistas na venda de tecidos, como algodão, poliéster, seda e couro; e produtos feitos à base desses tecidos, como camisas, tolhas, toalhas de mesa, etc. Com a permissão da loja, obteve-se os espectros das amostras in situ, com o auxílio de um notebook.
Obtiveram-se espectros de amostras para a criação dos modelos. A quantidade de amostras obtidas para cada modelo pode ser vista abaixo, na Tabela 15.
Tabela 15: Conjunto de tecidos utilizados para calibração e validação do método de classificação
proposto
Tipo de Tecido Calibração Validação
100 % Poliéster 28 12 100% Algodão 29 11 100% Seda 14 7 Couro 40 16 Couro sintético 30 15 Total 131 61
Tratamento dos Espectros
Para que o modelo de classificação pudesse ser construído pelo software Unscrambler, foi necessário que houvesse um pré-tratamento dos dados espectroscópicos obtidos. Assim, importou-se para o Unscrambler os dados espectrais obtidos pelo equipamento MicroNIR para todas as amostras de tecidos do modelo de classificação.
Em seguida, utilizou-se o pré-tratamento espectral de primeira derivada com filtro de Savitzky-Golay e uma janela de 7 pontos nos dados espectrais. É necessário um pré-tratamento de dados espectrais para corrigir efeitos de espalhamento de radiação durante a leitura, que leva à correção da linha base. A derivada é um método comumente usado no tratamento de dados espectrais e utiliza como base a taxa de variação dos eixos em análise.
A identificação de outliers para este modelo foi feita diretamente após a criação do modelo PCA. Caso outliers fossem identificados, o modelo era refeito sem as amostras anômalas.
Assim, após o tratamento dos dados espectrais, procedeu-se à criação do modelo PCA para todos os tecidos, assim como a criação de um modelo SIMCA para cada um deles, visando a classificação de tecidos.
Modelos PCA (Principal Component Analisys) e SIMCA (Soft Indepent Modeling of Class Analogy)
O modelo PCA (Principal Component Analisys) ou análise de componentes principais, foi proposto no começo do século XX pelo matemático e bioestatístico Karl Pearson. Resumidamente, o método visa a diminuição do número de variáveis iniciais de um conjunto de dados utilizando combinações lineares. O resultado desta análise é observado na forma de componentes principais (ou PC’s), que refletem as direções de maior variância dos dados espectrais iniciais. Assim, baseado no resultado da análise de PCA, pode-se entender quais são os comprimentos de onda que representam a maior variação de informação espectral que por consequência seram de maior importância para o modelo de classificação.
Já o SIMCA é um método supervisionado que visa a classificação de amostras de um conjunto em modelos PCA previamente criados. Esta análise utiliza a distância ortogonal da amostra do conjunto (representada pelo resíduo do desvio padrão) com os hiperplanos criados pelos diferentes PCA’s para classifica-la. Se o valor deste resíduo for maior do que o limite de classificação imposto ao método, a amostra pode ser classificada como pertencente a nenhum dos grupos [Foti, A et al. 2007].
Os resultados dos PCA serão utilizados tanto como análise exploratória, quanto como base para previsão das análises SIMCA. Como análise exploratória, com base nos resultados apresentados pelo PCA, identificaremos possíveis outliers além da análise visual de formação de grupos para amostras semelhantes. Para o SIMCA será criados diversos PCA’s, um para cada classe de fibra, e com a ajuda de um conjunto de amostras de validação externa, observaremos como o SIMCA classifica estas amostras nos modelos apresentados.