Capes; CNPq; Fundação Araucária / As condições ambientais do cultivo do café, como clima, tipo de solo e altitude,
associadas a práticas agrícolas, são responsáveis pela composição química final do
grão. Além disso, o genótipo cultivado também influencia diretamente nas
características essenciais da bebida, aumentando o seu valor agregado. Portanto,
comprovações da origem geográfica e genotípica da genótipo do café devem ser
realizadas utilizando métodos confiáveis. A espectroscopia no infravermelho próximo
(NIRS), na região de 1100 a 2498 nm, foi utilizada na análise de genótipos de café
arábica, cultivadas em diferentes cidades do estado do Paraná, Brasil. Como
primeira aproximação, os métodos lineares, análise de componentes principais
(ACP) e mínimos quadrados parciais com análise discriminante (PLS-DA), foram
utilizados para a interpretação dos dados devido à complexidade e elevada
quantidade de informação contida nos espectros. Os modelos PLS-DA obtidos para
a classificação geográfica apresentaram uma sensibilidade média de 93,75% e uma
especificidade de 100%. Já para a classificação dos genótipos a performance do PLS-
DA foi de 93,75% para sensibilidade e 97,13% para a especificidade. Na tentativa de
melhorar a performance e a confiabilidade de classificação foram desenvolvidos
modelos de dois estágios. Tanto os scores da ACP como as variáveis latentes do
PLS-DA foram alimentados em dois tipos diferentes de redes neurais artificiais, o
perceptron de múltiplas camadas (MLP) e a rede de funções de base radial (RBF)
que são modelos inerentemente não-lineares. Os respectivos parâmetros de
arquitetura dessas redes foram otimizados através do método de busca direta
simplex sequencial. Os modelos de dois estágios, linear com PLS-DA e não-linear
com RBF, foram capazes de classificar geograficamente e genotipicamente com
100% de seletividade e especificidade todas as amostras de treinamento e de teste.
As variáveis latentes do PLS-DA por serem determinadas levando-se em
consideração a resposta desejada contêm mais informação que os scores da ACP.
Já a rede RBF, por possuir um número menor de parâmetros livres e uma estrutura
mais simples quando comparada à MLP, possui um treinamento mais rápido e
convergente. Quando comparados com os resultados obtidos na espectroscopia de
infravermelho médio (FTIR), os modelos obtidos usando os espectros NIRS
apresentaram uma performance melhor e mais confiável. Estes resultados indicam
que os espectros NIRS contêm informações importantes que aliadas a métodos
adequados de reconhecimento de padrões resultam em uma classificação eficiente
de amostras de café arábica verde por genótipo e local de cultivo. Além disso, uma
análise dos loadings das variáveis latentes do PLS-DA permite associar quais
bandas são características em cada classe. Essa informação pode ser
correlacionada com a composição química das amostras fornecendo, assim, dados
preliminares para avaliar o efeito da região de cultivo e do tipo de genótipo
selecionado nas características químicas do grão de café verde. / The environmental conditions in coffee cultivation, such as climate, soil type and
altitude, associated with agronomic practices, are responsible for influence the final
chemical composition of the bean. They directly influence the essential features of
the beverage, increasing its aggregate price. Proof of geographic and genotypic
origin of the coffee genotypes must be done using reliable methods. Thus, the near
infrared spectroscopy (NIRS), in the 1100 to 2498nm range, was used for analyze
different coffee genotypes that were cultivated in different cities (Brazil - Paraná
State). As first approach linear methods, principal components analysis (PCA) and
partial least squares with discriminant analysis (PLS-DA), were used for data
interpretation due to the high complexity and amount of information contained in the
spectra. The obtained PLS-DA models had an average sensitivity of 93.75% and a
specificity of 100% for the geographical classification. While for genopyte
classification, the PLS-DA performance was 93.75% for sensitivity and 97.13% for
specificity. In an attempt to improve the performance and reliability of the developed
classifiers, both the PCA scores and the PLS-DA latent variables were fed into two
artificial neural networks, the multilayer perceptron (MLP) and radial basis function
network (RBF), that are nonlinear models. The architecture parameters of these
networks were optimized using the sequential simplex method. The two-stage
models, linear with PLS-DA and nonlinear with RBF, were able to classify
geographically and genotypically with 100% of selectivity and specificity all the
training and test samples. The latent variables of the PLS-DA are determined by
taking into account the desired response, so it contains more information than the
scores of the PCA. While the RBF network, by having fewer free parameters and a
simpler architecture compared to the MLP, has a faster and covergente training. The
spectra analysis in near-infrared region showed better results than mid-infrared
spectra. These results indicate that NIRS spectra contain important information that,
combined with appropriate methods of pattern recognition, allow the classification of
green arabica coffee samples by genotype and growing region. Besides, the PLS-DA
loadings analysis allows associating which NIRS bands are specific of each class.
This information can be correlated with the samples chemical composition, providing
preliminary data to evaluate the effect of growing region and genotype in the selected
green coffee chemical composition.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.utfpr.edu.br:1/1133 |
Date | 09 June 2014 |
Creators | Marquetti, Izabele |
Contributors | Bona, Evandro, Valderrama, Patrícia |
Publisher | Universidade Tecnológica Federal do Paraná, Campo Mourao, Medianeira, Programa de Pós-Graduação em Tecnologia de Alimentos |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UTFPR, instname:Universidade Tecnológica Federal do Paraná, instacron:UTFPR |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.4508 seconds