Biblioteca do Café
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1
Navegar
4 resultados
Resultados da Pesquisa
Item Análise de particulados sólidos suspensos em cooperativas de cafés(Universidade Federal de Lavras, 2022-09-01) Moreira, Kátia Soares; Andrade, Ednilton Tavares deA geração de poeira pela movimentação de grãos em cooperativas armazenadoras, pode apresentar riscos ocupacionais ao sistema respiratório. O objetivo deste estudo foi analisar ambientalmente e ocupacionalmente a poeira presente em duas unidades armazenadoras de café, analisando as características físicas e químicas destes. A análise de particulados sólidos suspensos foi realizada em outubro de 2021, em duas cooperativas agroindustriais armazenadoras de cafés commodities e especiais, com grande capacidade de armazenagem, localizadas no Sul de Minas Gerais. As coletas foram feitas em três alturas para cada área, nos pontos localizados à aproximadamente 2, 5 e 8m, na agroindústria de café commodity, e 1, 2 e 8m de altura, na de café especial. As amostras foram analisadas em laboratório por Difratometria de Raio-X e gravimetria, pelas metodologias NIOSH 7500, descritas pela National Institute for Occupacional Safety and Health. Os mapeamentos da distribuição de materiais particulados nas cooperativas foram feitos com a utilização do Software Surfer 14®, com método de interpolação de Krigagem (Kriging Method). A granulometria das partículas sólidas foi determinada com a utilização de agitador de peneiras com vibração durante 10 min, com velocidade/intensidade 4, com malhas de 12, 20, 40, 60, 70, e 100 mesh. Para a caracterização química da poeira foi realizada a análise de bioativos, sendo a cafeína, trigonelina e ácidos clorogênicos, por meio de cromatografia líquida de alta eficiência. A determinação quantitativa e qualitativa de pesticidas nas amostras foi realizada no Laboratório de Resíduos de Pesticidas do Instituto Biológico, utilizando o método QuEChERS. A quantidade de poeira gerada nas cooperativas de café especial e commodity foi maior nos setores de recebimento e beneficiamento, com a maior concentração até a altura de 5m, sendo intensificada na unidade de cafés especiais. A análise do risco químico ambiental apresentou maior quantidade de poeira total para cooperativa de cafés especiais, entretanto o limite de sílica livre cristalizada foi inferior ao de detecção para as duas agroindústrias. De acordo com a análise granulométrica das partículas, observou-se que 5,8% da poeira é menor que 0,150 mm, podendo conter particulados com dimensões inferiores a 0,025mm, passíveis de chegar até o pulmão. Os bioativos de trigonelina, ácido clorogênico e cafeína tiveram maior teor na poeira da unidade de cafés especiais. A quantificação dos resíduos de agrotóxicos presentes na poeira demonstrou valores superiores ao limite máximo para a Tiametoxam e Lambida-cialotrina, na cooperativa de café especial, e de Ciproconazole para a de café commodity.Item Componentes de efeitos de safras representados em biplots corrigidos por predições de modelos GEE na classificação granulométrica de cafés(Universidade Federal de Lavras, 2019-02-19) Ferreira, Haiany Aparecida; Cirillo, Marcelo Ângelo; Brighenti, Carla Regina GuimarãesEm uma análise granulométrica de cafés com diferentes categorias de defeitos, os dados podem ser organizados em tabelas de contingências e, ao considerar a discriminação por safra, as mesmas poderão ter uma estrutura que sugere um modelo mais complexo, no tocante, à interação das classificações de defeitos e porcentagens dos grãos de peneiras com efeitos de safra. Diante do exposto, surge a hipótese de que estruturas de correlação são viáveis de serem incorporadas em um modelo, a fim de aprimorar análises gráficas multidimensionais, como a técnica biplots. Com essa motivação, este trabalho tem por objetivo propor o uso de biplots corrigidos por predições de modelos GEE na classificação granulométrica de cafés, discriminada por componentes do efeito das safras. Para validação da proposta, realizações Monte Carlo foram feitas em diferentes estruturas de tabela de contingência em cenários com diferentes graus de correlação. Concluiu-se que o uso de modelos GEE com a técnica biplot corrigida pelas predições é viável de aplicação na análise granulométrica de grãos defeituosos de cafés, com uma eficiente discriminação dos efeitos de safras.Item Productivity and grain size of coffee grown in different weed management systems(Editora da Universidade Estadual de Maringá - EDUEM, 2022-08-15) Zaidan, Úrsula Ramos; Campos, Renata Cássia; Faria, Rodrigo Magalhães; Zaidan, Iasmine Ramos; Souza, Wendel Magno de; Santos, Ricardo Henrique Silva; Freitas, Francisco Cláudio Lopes deIntensive weed management is one of the most common practices in coffee cultivation areas. Consequently, some problems, such as soil degradation and the selection of herbicide resistant weed, have increased over time, but, if properly managed, weeds at coffee planting inter-rows can offer benefits of erosion control, nutrient recycling and crop sustainability. The aim of this study is to evaluate the effect of different weed management strategies on the productivity and coffee grain size, i.e., quality. The experiment is installed onto a resprouting Coffea arabica L. site, four years after it was established. Treatments are implanted at planting inter-row Urochloa ruziziensis, Pueraria phaseoloides, and spontaneous vegetation maintained by mowing, herbicides, and weeding. To measure dry matter accumulation, samples are taken with a 0.25 m2 square template at plots maintained by mowing and herbicide application. To evaluate the yield and granulometry, coffee fruits are harvested, processed and classified in a set of 14 sieves (grouped in flat or “moca” shapes). The methods of controlling herbicide and weeding show significance in relation to grain production, with the production of grains having a higher market value standing out, when compared with the other treatments. The accumulation of dry matter above soil, in treatments with herbicides and spontaneous vegetation positively influenced the early coffee productivity (2018), and with U. ruziziensis and spontaneous vegetation, positively influenced the productivity of late harvest (2019). The accumulation of dry matter on the soil tends to be positively linked to coffee productivity, especially in periods when there is a shortage of rain in the region under study; however, it cannot be stated that this influence relationship (causality) has a direct positive effect between dry matter mass production and productivity of future coffee plantations.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%).