Periódicos
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/3352
Navegar
3 resultados
Resultados da Pesquisa
Item Influência da vibração das hastes e da velocidade de deslocamento da colhedora no processo de colheita mecanizada do café(Associação Brasileira de Engenharia Agrícola, 2007-09) Oliveira, Ezequiel de; Silva, Fábio M. da; Salvador, Nílson; Figueiredo, Carlos A. P.Hoje, já existem vários estudos sobre a eficiência operacional de colheita mecanizada do café, porém pouco se sabe sobre a influência da vibração das hastes e a velocidade de deslocamento da colhedora nesse processo. Assim, este trabalho teve por objetivo avaliar a influência da vibração das hastes e da velocidade de deslocamento da colhedora no processo de colheita mecanizada do café. O trabalho foi desenvolvido na Fazenda Capetinga, sul de Minas Gerais. Para os ensaios, utilizou-se do delineamento inteiramente casualizado, com quatro repetições, em parcelas aleatórias, contendo, em média, 40 plantas em fileira. Os ensaios foram realizados com duas passadas da colhedora, definidos em função do índice de frutos verdes na planta. A primeira passada foi realizada com média de 30% de verde, e a segunda, com média de 10% de verde. Concluiu-se que, na primeira passada, o volume de café colhido, a desfolha e a eficiência de derriça foram 29,25%, 31,12% e 31,85%, respectivamente, superiores na maior vibração. Na segunda passada, na maior velocidade operacional, o volume de café caído no chão variou 61,2% em relação à menor velocidade, e a redução no volume colhido e na eficiência de colheita variou de14,28% da menor para a maior velocidade operacional.Item Variabilidade espacial da força de desprendimento de frutos do cafeeiro(Associação Brasileira de Engenharia Agrícola, 2014-11) Ferraz, Gabriel A. e S.; Silva, Fábio M. da; Oliveira, Marcelo S. de; Silva, Flavio C. da; Bueno, Rafael de L.O objetivo deste trabalho foi utilizar técnicas de georreferenciamento e de geoestatística para analisar a variabilidade espacial da força de desprendimento de frutos de cafeeiros por meio de semivariogramas e pela interpolação por krigagem. O trabalho foi conduzido no município de Três Pontas - MG, Brasil. A força de desprendimento dos frutos verdes e de cerejas dos cafeeiros foi obtida por meio de um protótipo de dinamômetro em pontos georreferenciados. A dependência espacial dos dados foi analisada por meio de ajustes de semivariogramas, clássico e robusto, para o método dos mínimos quadrados ordinários e ponderados, e apenas o ajuste clássico, para os métodos da máxima verossimilhança e máxima verossimilhança restrita. Testaram-se, para cada um dos métodos, os modelos esférico, exponencial e gaussiano. Os mapas de isolinhas obtidos por krigagem foram produzidos, baseados no melhor método e modelo de ajuste da função semivariograma, que foram obtidos pelas estatísticas de validação. As variáveis em estudo apresentaram estruturas de dependência espacial, as quais foram modeladas pelos semivariogramas, o que possibilitou a confecção dos mapas de isolinhas de distribuição espacial, obtidos por krigagem. Foi possível identificar os locais mais propícios para se iniciar a colheita seletiva e mecanizada dos frutos do cafeeiro.Item Use of classifier to determine coffee harvest time by detachment force(Departamento de Engenharia Agrícola - UFCG, 2018-09) Barros, Murilo M. de; Silva, Fábio M. da; Costa, Anderson G.; Ferraz, Gabriel A. e S.; Silva, Flávio C. daCoffee quality is an essential aspect to increase its commercial value and for the Brazilian coffee business to remain prominent in the world market. Fruit maturity stage at harvest is an important factor that affects the quality and commercial value of the product. Therefore, the objective of this study was to develop a classifier using neural networks to distinguish green coffee fruits from mature coffee fruits, based on the detachment force. Fruit detachment force and the percentage value of the maturity stage were measured during a 75-day harvest window. Collections were carried out biweekly, resulting in five different moments within the harvest period. A classifier was developed using neural networks to distinguish green fruits from mature fruits in the harvest period analyzed. The results show that, in the first half of June, the supervised classified had the highest success percentage in differentiating green fruits from mature fruits, and this period was considered as ideal for a selective harvest under these experimental conditions.