Este estudo foi realizado objetivando à exploração do uso de imagens hiperespectrais para determinar a quantidade de amido em amostras de Açafrão-da- terra. A abordagem utilizada compreendeu métodos recomendados para o pré- tratamento dos dados de imagens hiperespectrais. O resultado desta etapa pôde ser observado na análise de componentes principais, a qual apresentou uma relação entre a adição de amido e os valores de refletâncias em cada comprimento de onda. A utilização da regressão linear múltipla se mostrou bastante promissora quando testada com as amostras A, que foram utilizadas como referência. Já nos testes com os demais tipos de Açafrão-da-terra, os resultados não foram satisfatórios, gerando um valor máximo de R² de -0,10. Os testes com as amostras do tipo B foi onde ocorreu o pior caso, com um R² de -0.82.
Como sugestão para trabalhos futuros, a utilização de algoritmos de seleção de características (feature selection) deve ser considerada visto que, diversos estudos relatam que na maioria dos casos não é necessário utilizar todos os comprimentos de onda das imagens HSI para se obter bons resultados. Além disso, o seu uso é recomendável quando se trata problemas utilizando abordagens de regressão linear. Com a utilização de um bom algoritmo, é possível obter apenas as bandas que mais diferenciam uma amostra da outra. Uma outra sugestão é o uso de outros algoritmos de regressão linear como o PLSR que também tem se mostrado bastante promissor em estudos envolvendo HSI ou até mesmo algoritmos não lineares como o SVM (Support Vector Machine). Um passo mais adiante, seria o uso de aprendizado de máquina (Machine Learning), tendo em vista que seu uso tem se tornado bastante popular quando devido o potencial de identificar padrões em uma quantidade enorme de dados multivariáveis.
33
REFERÊNCIAS BIBLIOGRÁFICAS
ALMEIDA, L. P. de. Caracterização de pigmentos da Curcuma longa L., Avaliação da atividade antimicrobiana, morfogênese in vitro na produção de curcuminóides e óleos essenciais. 2006. 120 p. Tese (Ciência de Alimentos) — Universidade Federal de Minas Gerais. Disponível em: <https://repositorio.ufmg.br/handle/1843/MBSA-6X4M39>. Acesso em: 08/11/2020. BRAGA, M. E. M. Obtenção de compostos bioativos de Curcuma longa L. e Lippia alba M. por tecnologia supercrítica: rendimento global, cinética de extração, composição química e aproveitamento do resíduo amilaceo. 2005. 200 p. Tese (Engenharia de Alimentos) — Universidade Estadual de Campinas. Disponível em: <http://repositorio.unicamp.br/jspui/handle/REPOSIP/254897>. Acesso em: 10/11/2020.
BRASIL. MONOGRAFIA DA ESPÉCIE Curcuma longa L. (CURCUMA). [S.l.]: Ministério da Saúde, 2015.
BROWN, S. H. Multiple Linear Regression Analysis: A Matrix Approach with MATLAB. Alabama Journal of Mathematics, p. 1 – 3, 2009.
CECILIO FILHO, A. B. et al. Cúrcuma: planta medicinal, condimentar e de outros usos potenciais. Ciência Natural, SciELO, Santa Maria, v. 30, n. 1, p. 171 – 175, Março 2000. ISSN 0103-8478.
CONTROLARE. Vigilância Sanitária é um entre os mais de 10 órgãos reguladores. 2020. Disponível em: <https://www.controlare.com.br/blog/seguranca- alimentar/vigilancia-sanitaria-e-um-entre-os-mais-de-10-orgaos-reguladores-de- restaurantes/#:
~:text=A%20ANVISA%2C%20Ag%C3%AAncia%20Nacional%20de,a%20fiscaliza%C3% A7%C3%A3o%20da%20ind%C3%BAstria%20aliment%C3%ADcia>. Acesso em: 02/11/2020.
ELMARSY, G. et al. Early detection of apple bruises on different background colors using hyperspectral imaging. LWT - Food Science and Technology, Elsevier, v. 41, p. 337 – 345, Março 2008.
GOWEN, A. et al. Hyperspectral imaging – an emerging process analytical tool for food quality and safety control. Trends in Food Science & Technology, Elsevier, Dublin, v. 18, n. 0924-2244, p. 590 – 598, Dezembro 2007.
HUCK, C. W. Novel Analytical Tools for Quality Control in Food Science. In: AKYAR, I. (Ed.). Latest Research into Quality Control. 1. ed. In- tech, 2012. v. 1, cap. 5, p. 63 – 90. ISBN 978-953-307-682-9. Disponível em:
34
<https://www.intechopen.com/books/latest-research-into-quality-control/novel- analytical-tools-for-quality-control-in-food-science>. Acesso em: 10/11/2020.
HURST, W. C. et al. Quality Control: A Model Program for the Food Industry. 2010. MEGHWAL, M.; GOYAL, M. R. Methods for Food Analysis and Quality Control. In: GOYAL, M. M. M. R. (ed.). State-of-the-Art Technologies in Food Science: Human health, emerging issues and specialty topics. 1. ed. [S.l.]: Apple Academic Press, 2018. v. 1, cap. 10, p. 299 – 320. ISBN 9781771886161.
JARAMILLO-ACEVEDO, C. A. et al. Hass avocado ripeness classification by mobile devices using digital image processing and ANN methods. International Journal of Food Engineering, De Gruyter, v. 1, n. 2019-0161, p. 1 – 8, Setembro 2020.
LUO, J.; YING, K.; BAI, J. Savitzky–Golay smoothing and differentiation filter for even number data. Signal Processing 85, Elsevier, Beijing, v. 7, p. 1429 – 1434, Julho 2005.
MOORE, J. C.; SPINK, J.; LIPP, M. Development and Application of a Database of Food Ingredient Fraud and Economically Motivated Adulteration from 1980 to 2010. Journal of Food Science, Journal of Food Science, v. 77, n. 4, p. 118 – 126, 01 2012. ORNELAS-SOTO, N.; BARBOSA-GARCÍA, O.; LOPEZ-DE-ALBA, P. L. Procedures of Food Quality Control: Analysis Methods, Sampling and Sample Pretreatment. In: SHOYAMA, P. Y. (Ed.). Quality Control of Herbal Medicines and Related Areas. 1. ed. Rijeka: InTech, 2011. v. 1, cap. 5, p. 63 – 90. ISBN 978-953-307-682-9. Disponível em: https://www.intechopen.com/books/quality-control-of-herbal-medicines-and- related-areas/ procedures-of-food-quality-control-analysis-methods-sampling-and- sample-pretreatment.
PAN, T. et al. Regression Algorithms in Hyperspectral Data Analysis for Meat Quality Detection and Evaluation. Comprehensive Reviews in Food Science and Food Safety, Institute of Food Technologists, Guangzhou, v. 15, p. 529 – 541, Março 2016. RANJAN, S. et al. Hyperspectral Image Classification: A k-means Clustering Based Approach. In: TECHNOLOGY, N. I. of (Ed.). 4th International Conference on Advanced Computing and Communication Systems (ICACCS). Rourkela, 2017. p. 1 – 7.
REDDY, A. C.; SARASCHANDRIKA, A.; V. REDDY, A. Study of the Clustering Algorithms for Hyper Spectral Remote Sensing Images. Journal of Hyperspectral Remote Sensing, Kavali, v. 10, n. 2, p. 117 – 121, October 2020. ISSN 2237-2202. Disponível em: <https://periodicos.ufpe.br/revistas/jhrs/article/view/246329>. Acesso em: 11/11/2020.
35
RINNAN, A.; BERG, F. van den; ENGELSEN, S. B. Review of the most common pre- processing techniques for near-infrared spectra. Trends in Analytical Chemistry, Elsevier, Frederiksberg C, v. 28, p. 1201 – 1222, November 2009.
SANDASI, M. et al. Hyperspectral Imaging and Chemometric Modeling of Echinacea — A Novel Approach in the Quality Control of Herbal Medicines. Molecules, Pretoria, v. 19, n. 1420-3049, p. 13104 – 13121, Setembro 2014.
SANDASI, M. et al. Non-destructive quality assessment of herbal tea blends using hyperspectral imaging. Pytochemistry Letters, Elsevier, Pretoria, v. 24, p. 94 – 101, Abril 2018.
SHAFIEE, M. N.; DRABU, S. Assessment of Quality Control Systems in Food Processing Units in Khunmoh Food Park Kashmir, India. Indian Horticulture Journal, Indian Society of Advanced Horticulture, Awantipora, v. 1, n. 403-16-IHJ-2911-16, p. 79 – 84, Fevereiro 2019.
SIEDLISKA, A. et al. Detection of fungal infections in strawberry fruit by VNIR/SWIR hyperspectral imaging. Postharvest Biology and Technology, Elsevier, Lublin, v. 139, p. 115 – 156, Maio 2018.
SILVA, A. F. S.; ROCHA, F. R. A novel approach to detect milk adulteration based on the determination of protein content by smartphone-based digital image colorimetry. Food Control, Elsevier, Piracicaba, p. 1 – 6, 04 2020. ISSN 0956-7135.
SUKTANARAK, S.; TEERACHAICHAYUT, S. Non-destructive quality assessment of hens’ eggs using hyperspectral images. Journal of Food Engineering, Elsevier, Bangkok, v. 215, p. 97 – 103, Dezembro 2017.
TAGHIZADEH, M.; GOWEN, A. A.; O’DONNELL, C. P. Comparison of hyperspectral imaging with conventional RGB imaging for quality evaluation of Agaricus bisporus mushrooms. Biosystems Engineering, p. 191 – 194, January 2011.
VIDAL, M.; AMIGO, J. M. Pre-processing of hyperspectral images. Essential steps before image analysis. Chemometrics and Intelligent Laboratory Systems, Elsevier, San Sebastián, v. 117, p. 138 – 148, Agosto 2012.