Biblioteca do Café
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1
Navegar
3 resultados
Resultados da Pesquisa
Item Classificação de café arábica por meio de redes neurais artificiais: softwares ClassCafe 1.0 e ClassTorr 1.0(Universidade Federal de Lavras, 2019-02-22) Oliveira, Graziela Silva; Pimenta, Carlos JoséO café é um produto de grande importância para a economia do país, e o estado de Minas Gerais é responsável por mais de 50% da produção nacional. Porém, o método tradicional de avaliação da qualidade da bebida é realizado de forma subjetiva, na qual provadores treinados através de análise sensorial, utilizam de suas percepções de aroma e sabor para classificar a bebida em padrões conhecidos como estritamente mole, mole, apenas mole, dura, riada, rio e rio zona. Muitos estudos tentam relacionar a composição química dos grãos crus e torrados com a qualidade da bebida, a fim de desenvolver metodologias analíticas objetivas para complementar a avaliação feita por provadores. Diante do exposto, o objetivo deste trabalho foi avaliar amostras diferentes de café oriundas do estado de Minas Gerais. Essas amostras, foram previamente classificadas por provadores treinados e, posteriormente, com o auxílio dos softwares de classificação de grãos cru (ClassCafe 1.0) e de classificação de grãos torrado, (ClassTor 1.0), classificadas novamente de maneira objetiva. Os dados químicos inseridos na camada de entrada do software para o café cru foram: a lixiviação de potássio, condutividade elétrica, acidez, pH, sólidos solúveis, atividade enzimática da polifenoloxidase e açúcares totais. Já para o café torrado, avaliou-se o teor de açúcares totais, açúcares redutores e açúcares não redutores, pH, sólidos solúveis, acidez e extrato etéreo. Ao final, comparou-se a classificação dada pelas duas metodologias. O software para café cru (ClassCafe 1.0) apresentou melhor eficiência na classificação das amostras quando comparado com o software para café torrado (ClassTorr 1.0). Com isso, conclui-se que os softwares desenvolvidos apresentaram grande capacidade em auxiliar a classificação do café, sugere-se que os dados químicos encontrados nesta pesquisa sejam utilizados para ampliar a alimentação desses sistemas computadorizados, a fim de aumentar a sensibilidade na distinção dos diferentes padrões.Item Genomic prediction of leaf rust resistance to Arabica coffee using machine learning algorithms(Escola Superior de Agricultura "Luiz de Queiroz", 2021) Sousa, Ithalo Coelho de; Nascimento, Moysés; Silva, Gabi Nunes; Nascimento, Ana Carolina Campana; Cruz, Cosme Damião; Silva, Fabyano Fonseca e; Almeida, Dênia Pires de; Pestana, Kátia Nogueira; Azevedo, Camila Ferreira; Zambolim, Laércio; Caixeta, Eveline TeixeiraGenomic selection (GS) emphasizes the simultaneous prediction of the genetic effects of thousands of scattered markers over the genome. Several statistical methodologies have been used in GS for the prediction of genetic merit. In general, such methodologies require certain assumptions about the data, such as the normality of the distribution of phenotypic values. To circumvent the non-normality of phenotypic values, the literature suggests the use of Bayesian Generalized Linear Regression (GBLASSO). Another alternative is the models based on machine learning, represented by methodologies such as Artificial Neural Networks (ANN), Decision Trees (DT) and related possible refinements such as Bagging, Random Forest and Boosting. This study aimed to use DT and its refinements for predicting resistance to orange rust in Arabica coffee. Additionally, DT and its refinements were used to identify the importance of markers related to the characteristic of interest. The results were compared with those from GBLASSO and ANN. Data on coffee rust resistance of 245 Arabica coffee plants genotyped for 137 markers were used. The DT refinements presented equal or inferior values of Apparent Error Rate compared to those obtained by DT, GBLASSO, and ANN. Moreover, DT refinements were able to identify important markers for the characteristic of interest. Out of 14 of the most important markers analyzed in each methodology, 9.3 markers on average were in regions of quantitative trait loci (QTLs) related to resistance to disease listed in the literature.Item Quality assessment of coffee beans through computer vision and machine learning algorithms(Editora UFLA, 2020) Santos, Fernando Ferreira Lima dos; Rosas, Jorge Tadeu Fim; Martins, Rodrigo Nogueira; Araújo, Guilherme de Moura; Viana, Lucas de Arruda; Gonçalves, Juliano de PaulaThe increasing market interest in coffee beverage, lead coffee growers around the world to adopt more efficient methods to select the best-quality coffee beans. Currently, coffee beans selection is carried out either manually, which is a costly and unreliable process, or using electronic sorting machines, which are often inefficient because some coffee beans defects, such as sour and immature beans, have similar spectral response patterns. In this sense, the present work aimed to analyze the importance of shape and color features for different machine learning techniques, such as Support Vector Machine (SVM), Deep Neural Network (DNN) and Random Forest (RF), to assess coffee beans’ defects. For this purpose, an algorithm written in Python language was used to extract shape and color features from coffee beans images. The dataset obtained was then used as input to the machine learning algorithms, developed using Python and R programing languages. The data reported in this study pointed to the importance of color descriptors for classifying coffee beans defects. Among the variables used, the components Gmean from RGB (Red, Green and Blue) color space and Vmean from HSV (Hue, Saturation and Value) color space were some of the most relevant features for the classification models. The results reported in this study indicate that all the classifier models presented similar performance. In addition, computer vision along with machine learning algorithms can be used to classify coffee beans with a very high accuracy (> 88%).