Aprimorando a análise da qualidade da batata-doce com imagens hiperespectrais e IA
Ipomoea batatas, Convolvulaceae, Batata Doce, raízes de armazenamento; Karlsruhe, Alemanha. Crédito:Wikipédia A batata-doce é uma escolha alimentar popular para consumidores em todo o mundo devido ao seu sabor delicioso e qualidade nutritiva. A raiz tuberosa vermelha pode ser processada em chips e batatas fritas e tem uma variedade de aplicações industriais, incluindo têxteis, polímeros biodegradáveis e biocombustíveis.
A avaliação da qualidade da batata-doce é crucial para produtores e processadores porque as características influenciam a textura e o sabor, as preferências do consumidor e a viabilidade para diferentes fins. Um novo estudo da Universidade de Illinois Urbana-Champaign explora o uso de imagens hiperespectrais e inteligência artificial (IA) explicável para avaliar os atributos da batata-doce.
"Tradicionalmente, a avaliação da qualidade é feita usando métodos analíticos laboratoriais. Você precisa de diferentes instrumentos para medir diferentes atributos no laboratório e precisa esperar pelos resultados. Com a imagem hiperespectral, você pode medir vários parâmetros simultaneamente. Você pode avaliar cada batata em um lote, não apenas algumas amostras."
"A imagem espectral é não invasiva, rápida, precisa e econômica", disse Mohammed Kamruzzaman, professor assistente do Departamento de Engenharia Agrícola e Biológica (ABE), parte da Faculdade de Ciências Agrícolas, do Consumidor e Ambientais (ACES) e a Grainger College of Engineering em Illinois.
O estudo faz parte de uma colaboração multiestadual com o Departamento de Agricultura dos EUA, que inclui pesquisadores do Mississippi, Carolina do Norte, Michigan, Louisiana e Illinois. Cada universidade aborda diferentes aspectos do projeto; A equipe de Kamruzzaman concentra-se na avaliação de três atributos químicos – matéria seca, firmeza e teor de açúcar solúvel (grau brix) – que afetam o preço de mercado e se uma batata é adequada para o consumidor ou para processamento.
Os pesquisadores usam uma câmera de imagem hiperespectral visível no infravermelho próximo para capturar imagens de batata-doce de dois ângulos diferentes. A análise das imagens produz dados espectrais, que são usados para identificar os principais comprimentos de onda e desenvolver mapas de cores que exibem a distribuição dos atributos desejados.
A imagem hiperespectral tornou-se uma ferramenta importante na pesquisa agrícola e de processamento de alimentos. No entanto, gera uma grande quantidade de dados que são processados com aprendizado de máquina. É complexo e normalmente funciona como uma caixa preta onde os usuários não sabem o que está acontecendo.
“Combinamos imagens hiperespectrais com IA explicável, permitindo-nos compreender os processos por trás dos resultados. É uma forma de visualizar como funcionam os algoritmos de aprendizado de máquina, como os dados de entrada são processados e como os recursos são conectados para prever a saída”, disse Md Toukir Ahmed, estudante de doutorado na ABE e autor principal do artigo.
"Acreditamos que esta é uma nova aplicação deste método para avaliação da batata-doce. Este trabalho pioneiro tem o potencial de abrir caminho para o uso também em uma ampla gama de outros campos de pesquisa agrícola e biológica."
Os resultados podem ajudar os profissionais e investigadores da indústria a compreender a importância das diferentes características na previsão dos atributos de qualidade, o que leva a uma tomada de decisão mais informada e garante o fornecimento de produtos de maior qualidade aos consumidores.
Kamruzzaman disse que um dos objetivos do projeto multiuniversitário é desenvolver uma ferramenta que os processadores possam usar para digitalizar de forma rápida e fácil lotes de batata-doce para determinar características e atributos. Eventualmente, os pesquisadores poderiam criar um aplicativo móvel que os consumidores pudessem usar no supermercado para verificar a qualidade da batata-doce no ponto de compra.
O trabalho está publicado na revista Computers and Electronics in Agriculture .