整理与多光谱成像最好的咖啡豆

选择专业咖啡豆的过程需要三种检查。两个物理和涉及的原始样品和烤咖啡。第三是感觉和品酒的饮料。认证是由美国特种咖啡协会(SCAA)。

按照SCAA指南,咖啡质量是衡量小数范围从0到100。专业咖啡必须得分80或更多。种植者发送一个样本的生豆三爱好者(品酒师),从每一批烤,煮咖啡,又符合SCAA标准,之前发布的一份报告。

然而,巴西圣保罗大学的科学家的核能中心农业(CENA-USP),与同事合作农业路易斯·德·奎罗斯学院计算机中心(ESALQ-USP)和联邦大学的伯南布哥(UFPE),开发了一种基于多光谱成像的咖啡豆的选择方法和机器学习。该方法不需要烘焙和在生产过程中可以实时执行。它避免了可能的人为错误,尽管它依赖于昂贵的设备。一个文章最近发表在新方法计算机和电子产品在农业。

“专业咖啡通常是选择性地收获,这意味着只有成熟的红樱桃采摘。他们单独手工收割。如果一个专业咖啡种植者收成青豆、或在任何时候使用带采摘,手册和/或自动化,这个过程可以导致标准的经济作物,”温斯顿说ibsen Pinheiro色味俱淡的戈麦斯,这篇文章的第一作者。戈梅斯是博士生在CENA-USP化学,Wanessa Melchert Mattos和Clissia巴博萨达席尔瓦论文顾问。

”在我们的方法中,我们单独的bean考虑专业和标准商业使用相结合的多光谱成像技术和数学算法处理数据所提供的图像,”戈麦斯解释道。“专业咖啡必须得分在80年至100年之间,但我们的模型无法分辨bean是80年或90年。这需要与样品每个得分机器学习在数学模型中指定这些类别。”

研究的支持下进行青年科学家基金项目授予巴博萨da Silva,倒数第二作者的文章,和一个定期研究资助马托斯,这篇文章的作者。

多光谱方法

团队使用了一个多光谱成像(MSI)技术,基于反射和自发荧光,图像的相同的对象在不同的波长,紧随其后的是一个机器学习模型来分类bean根据从图像信息。

“MSI在咖啡行业的使用是非常近的。主要是用于地图氮在咖啡树林,发现坏死在bean,并探测植物的害虫和疾病,可以看到有关这一课题的文献,”戈麦斯说。

研究人员分析了16个样本绿豆从专业和标准商业作物在美国的米纳斯吉拉斯和圣保罗。十个专业的咖啡豆(Coffea阿拉比卡)从2016/17 Alta Mogiana地区作物生长。他们被认为在2017年的阿尔塔Mogiana咖啡竞赛和由该地区的特种咖啡协会生产商。其他六个样本取自标准商业作物在当地市场买了散装。

对于每一个样本,64豆没有治疗随机分离之前,给1024豆(384标准,640专业),和用于机器学习校准,验证和测试。

戈麦斯过程总结如下:“我们把豆子在培养皿中并把它的设备,这是一个包含led领域,光学过滤器和一个相机。镜头下样品,直到他们完全覆盖和捕获的图像在均匀和分散在不同波长光照。它第一次单色反射率图像,然后自发荧光图像,之后,感兴趣的区域提取相关信息的车载软件和用于构建算法,分类样品并给我们结果。”

主成分分析(PCA)然后进行调查的变量影响专业之间的差异和标准的咖啡。研究者跑四个机器学习算法,支持向量机(SVM)证明最好的,被用于计算系数估计的关键变量。

荧光

专业bean被认为更加统一的可见光谱的形状(RGB)图像,而标准的豆子更强烈的自体荧光图像。“我们的数学模型和算法利用荧光信号强度信息图像。它可能发生,一些化合物存在于豆类更兴奋在一个特定的波长。或多或少地强烈的荧光信号也可能与一种化合物的浓度的变化在豆类,例如。我们选择的模型是表现最好的一个区分专业和标准的咖啡豆。在这个模型中,最重要的信息为目的的构造边界分离来自绿色荧光。因此我们决定分析单个化合物自然显示绿色荧光,试图把一些荧光化合物可能会影响咖啡分级分离过程,”戈麦斯说。

绿色荧光生物标记由绿灯在可见光谱,分析了10酚类化合物,和儿茶素的数据显示,咖啡因和某些酸(4-hydroxybenzoic酸、芥子酸和绿原酸)反应后强烈的兴奋与蓝光在405纳米(纳米),发射能量在500海里。自体荧光数据(激发/发射在405/500 nm)贡献了大部分区分绿色专业bean从绿色标准的bean。

“这些都是化学物种与芳香组织吸收能量有关一个特定的波长。在autofluorescence-based方法,这些化学物种的变化水平在专业和标准等级的咖啡可以用来区分两组,”戈麦斯说。

不同水平的这些化合物通常用于区分专业和标准的咖啡豆。“我的硕士研究,我研究了这些样品的化学成分,虽然没有化学物种的差异,我们发现在他们的浓度变化,尤其是绿原酸和咖啡因的水平,”他说。

戈梅斯表示,下一步将需要获得样本的每个SCAA-defined分数水平专业咖啡(不容易)和豆子分类根据他们的分数。“在巴西,咖啡最多是90 - 92。很难找到任何高于。例如,仅从埃塞俄比亚进口咖啡,分数100。在我的博士的研究中,我试图把豆子x射线图像的基础上,我已经决定增加样本的数量和宽度的分析,包括进口咖啡豆,”他说。

参考:ibsen Pinheiro克拉洛雪茄烟戈麦斯W, Goncalves L,巴博萨da Silva C, Melchert WR。应用多光谱成像结合机器学习模型来区分特殊的和传统的绿色咖啡。第一版电子阿格利司。2022;198:107097。doi:10.1016 / j.compag.2022.107097

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。