Tecnologia a favor do produtor: monitoramento do tanque de leite em tempo real

A medição do volume de leite cru em tanques de refrigeração é fundamental tanto para o produtor quanto para o laticínio. Comumente e, principalmente, em fazendas de pequenos e médios produtores, o volume de leite é medido manualmente pelo motorista do caminhão, utilizando uma régua graduada e uma tabela de conversão fornecida pelo fabricante do tanque (Papadopoulos et al., 2016).

Contudo, a medição está sujeita a variabilidade ou discrepâncias decorrentes de problemas técnicos nos dispositivos de medição e, de forma ainda mais evidente, de erros humanos durante o processo de coleta. Problemas comuns incluem o desnivelamento do tanque ou o desalinhamento da régua graduada. Além disso, em diversas vezes, o armazenamento incorreto e a não higienização da régua podem contaminar o leite, o que pode resultar em perdas não quantificadas para as operações da fazenda leiteira. Também podem ocorrer atividades fraudulentas, como a manipulação das tabelas de conversão para inflar falsamente o volume de leite. 

Em recente estudo publicado na revista International Journal of Dairy Technology, foram realizadas uma análise de erros em medições manuais de volume de leite e também uma comparação ao uso da régua graduada com um sistema de monitoramento em tempo real utilizando o sistema IoT (sigla em inglês para Internet das Coisas). 

O primeiro estudo foi um teste de percepção, onde seis avaliadores, escolhidos de forma aleatória e sem treinamento prévio, interpretaram o volume de leite de um tanque de refrigeração a granel cilíndrico vertical com capacidade de 1000 L, por meio da régua graduada. O teste de percepção foi realizado com o preenchimento do tanque de 40 em 40 litros, por meio de um galão de 20 L validado pelo INMETRO, sem que os avaliadores soubessem a quantidade de leite adicionada, até que o tanque fosse preenchido com os 1000 L de capacidade. A cada vez em que se adicionava leite ao tanque, os avaliadores faziam três interpretações cada, a que somente o pesquisador tinha acesso aos resultados. As avaliações foram feitas em três dias diferentes e, no total, 1.350 avaliações foram obtidas. 

O segundo estudo avaliou quatro sistemas de monitoramento em tempo real IoT (Figura 1a), acoplados em cima do mesmo tanque de refrigeração com capacidade de 1000 litros (Figura 1b), utilizados para monitorar o volume de leite no interior do tanque. Esse sistema realiza o cálculo do leite pela tecnologia a laser (time-of-flight), na qual a luz é emitida em direção ao leite e, posteriormente, refletida de volta ao sensor. O tempo necessário para o retorno da luz ao sensor é utilizado para calcular a distância entre o sensor e a superfície do leite. Essa medida de distância é então empregada para determinar com precisão o volume de leite no tanque. Adicionalmente, o equipamento monitora o nivelamento do tanque, o funcionamento do sistema de refrigeração e o agitador do tanque. 

Continua depois da publicidade

A medição para validação dos sistemas de monitoramento em tempo real foi semelhante ao teste de percepção, colocando os mesmos 40 litros de leite por vez e anotando a medição dos quatro sensores, até atingir a capacidade de 1000 litros do tanque. As avaliações foram feitas em cinco dias diferentes e, no total, 500 avaliações foram obtidas, como resumido de forma ilustrativa na figura 1. 

Figura 1. Ilustração demonstrativa dos métodos de experimentação realizados nos dois estudos. (adaptado de “Evaluation of real-time milk tank monitoring using IoT system and error analysis in manual measurements.” publicado na revista International Journal of Dairy Technology/2025).

As análises estatísticas envolveram modelos matemáticos que comparavam os valores estimados pelos avaliadores ou pelos sensores e os valores observados quando colocados pelo galão calibrado, utilizando o coeficiente de correlação de concordância, onde quanto mais próximos de 1 fossem os valores, maior exatidão do método utilizado (Tedeschi, 2006). 

No teste de precisão, a inclinação da reta se iguala a 1, e é possível observar que tanto os pontos observados da régua graduada quanto os dos sensores se aproximam da reta (Figura 2). Porém, há uma marcação em específico na avaliação da régua graduada onde um ponto destoa dos demais, indicando um possível erro humano durante as medições. 

Figura 2. Demonstração do coeficiente de correlação de concordância, onde quanto mais próximo do valor de 1, que é a inclinação da reta, mais preciso é o método testado, comparando os pontos de medição entre a régua graduada e o sensor de monitoramento em tempo real. Seta destacando um ponto que se difere dos demais na análise da régua graduada. (Adaptado de “Evaluation of real-time milk tank monitoring using IoT system and error analysis in manual measurements,” publicado na revista International Journal of Dairy Technology/2025).

Continua depois da publicidade

O teste de Bland-Altman também foi aplicado, modelo utilizado para avaliar se dois métodos que medem a mesma coisa são suficientemente parecidos para serem usados como equivalentes, validando precisão e exatidão (Figura 3). Quando observado o teste da régua graduada, os pontos de avaliação se aproximam da linha 0, o que valida a precisão e exatidão do método de medição. No entanto, também evidencia o ponto onde há uma diferença de marcação, evidenciando o erro de algum avaliador ao ler a régua graduada do tanque de leite. 

Figura 3. Teste de Bland-Altman da régua graduada, onde os pontos se aproximam de zero, validando precisão e exatidão do método, e apenas um ponto se destoando, evidenciando o erro humano no momento da leitura da régua graduada medindo o volume de leite do tanque. (adaptado de “Evaluation of real-time milk tank monitoring using IoT system and error analysis in manual measurements.” publicado na revista International Journal of Dairy Technology/2025).

Apesar de ser apenas um ponto específico, ele foi mantido nas avaliações por se tratar de um erro humano, destacando que, mesmo sendo um método preciso, a régua graduada se mostrou mais passível de erro do que o sistema de monitoramento em tempo real, apresentando uma variação de 7,89% entre avaliadores. O principal problema é que os motoristas dos caminhões, responsáveis pela coleta do leite, nem sempre são os mesmos, o que pode gerar discrepâncias na interpretação do volume do tanque e, consequentemente, no pagamento pelo leite comercializado.

Mesmo diante desses dados, é importante enfatizar que a diferença entre o sistema de monitoramento e a régua graduada foi significativamente distinta devido a apenas um ponto de coleta e, mesmo evidenciando que o sistema de monitoramento de volume pode ser mais consistente e confiável, apresentando variações significativamente menores e, consequentemente, um processo de monitoramento mais eficaz, a régua graduada também se mostrou um método preciso e exato, amplamente utilizado em fazendas leiteiras, mesmo não sendo isento de erros humanos quando operado por diferentes avaliadores. 

Contudo, a modernização e o uso de tecnologias têm se tornado cada vez mais frequentes nos sistemas de produção de leite. A combinação de tecnologia e inteligência artificial pode trazer benefícios econômicos relevantes, reduzir a necessidade de mão de obra e promover uma gestão mais eficiente, além de assegurar a qualidade e a segurança do leite (Zhang et al., 2021).

A integração de sistemas avançados de monitoramento do volume de leite pode oferecer uma abordagem mais automatizada e precisa, reduzindo a dependência de medições manuais e mitigando erros e discrepâncias. O sistema de monitoramento em tempo real demonstrou alta confiabilidade, exatidão e precisão nos dados, confirmando potencial adequação para uso em fazendas leiteiras.

*Texto adaptado do artigo “Evaluation of real-time milk tank monitoring using IoT system and error analysis in manual measurements.”, publicado na revista International Journal of Dairy Technology/2025.

Referência: SILVA, Tássia Barrera De Paula et al. Evaluation of real-time milk tank monitoring using IoT system and error analysis in manual measurements. International Journal of Dairy Technology 78, p. e70072, 2025.