APLICAÇÃO DE ESPECTROSCOPIA NIR E CIÊNCIA DE DADOS PARA AVALIAÇÃO NÃO DESTRUTIVA DE CEVADA (Hordeum vulgare L.)

• Processo: 24/09561-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de outubro de 2024
• Vigência (Término): 30 de setembro de 2025
• Área do conhecimento: Ciências Agrárias - Ciência e Tecnologia de Alimentos - Ciência de Alimentos
• Pesquisador responsável: Juliana Azevedo Lima Pallone
• Beneficiário: Gabriel Gozzi
• Instituição Sede: Faculdade de Engenharia de Alimentos (FEA). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Análise de alimentos Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Analise de Alimentos | Aprendizado de Máquina | Fraudes em alimentos | Análise por Espectroscopia

Resumo

A pesquisa visa explorar o potencial do uso da espectroscopia no infravermelho próximo (NIR) em equipamentos portáteis e de bancada combinados a ciência de dados como algoritmos de aprendizagem de máquina quimicamente interpretável, quimiometria, no controle de qualidade não destrutivo de cevada. A Indústria 4.0 e a Química Verde são consideradas diretrizes importantes nesse contexto. As técnicas espectroanalíticas, como NIR, em conjunto com algoritmos multivariados de machine learning (quimiometria) mostram-se promissoras para análises rápidas e precisas. Essa abordagem pode otimizar processos laboratoriais, reduzir custos e melhorar a eficiência e qualidade dos produtos. No entanto, existem poucos estudos sobre a aplicação dessas técnicas no controle de cevadas com foco em comparações entre diferentes algoritmos e diferentes portabilidades de espectrômetros. Para o estudo, serão adquiridas amostras de grãos de cevada cervejeira, cevada forrageira para discriminação de ambos tipos de grãos, autenticação frente a fraudes por misturas e predição do teor de proteínas. Serão obtidas amostras de diferentes cultivares e regiões para garantir variabilidade dos dados. Os espectros serão obtidos na região do infravermelho próximo em equipamento de bancada e equipamento microNIR. Os dados espectrais serão analisados com técnicas lineares e não lineares de aprendizagem de máquina para regressão (PLS e SVM), discriminação (PLS-DA e SVM Classification) e autenticação (DD-SIMCA e One-class SVM), utilizando pré-processamento adequado de acordo com o perfil espectral obtido e conjuntos de dados externos ao treinamento para avaliar e validar a qualidade dos modelos. Os resultados obtidos podem direcionar a Indústria 4.0 com implementação de métodos mais rápidos e sustentáveis e eficientes para a qualidade da cevada, com ênfase em parâmetros importantes para a indústria cervejeira.