Estudo e validação de um espectrofotômetro infravermelho próximo portátil para análise em situ

UNIVERSIDADE ESTADUAL DE CAMPINAS INSTITUTO DE QUÍMICA

MATHEUS ANGELUZZI JARDIM

ESTUDO E VALIDAÇÃO DE UM ESPECTROFOTÔMETRO INFRAVERMELHO PRÓXIMO PORTÁTIL PARA ANÁLISE IN SITU.

CAMPINAS 2016

MATHEUS ANGELUZI JARDIM

ESTUDO E VALIDAÇÃO DE UM ESPECTROFOTÔMETRO INFRAVERMELHO PRÓXIMO PORTÁTIL PARA ANÁLISE IN SITU.

Dissertação de Mestrado apresentada ao Instituto de Química da Universidade Estadual de Campinas como

Parte dos requisitos exigidos para a obtenção do título de Mestre em Química na área de Química Analítica

Orientador: Prof. Dr. Celio Pasquini

ESTE EXEMPLAR CORRESPONDE A VERSÃO FINAL DA DISSERTAÇÃO DEFENDIDA PELO ALUNO MATHEUS ANGELUZZI JARDIM, E ORIENTADA PELO PROF. DR CELIO

PASQUINI.

CAMPINAS 2016

Dedicatória

Dedico, primeiramente, ao meu orientador Celio Pasquini, pelo acompanhamento e mentoria durante o período de trabalho e por todos os anos anteriores. Muito obrigado por acreditar em mim e estar sempre disposto a debater e ajudar. Este trabalho não teria ocorrido sem sua ajuda.

Dedico a minha família pelo apoio incondicional durante toda minha carreira e minha vida. A minha irmã Veridiana, minha mãe Márcia e meu pai Wilson. Este trabalho reflete todo o apoio dado por vocês.

A minha noiva Luiza, que caminhou lado a lado comigo durante todo este percurso. Muito obrigado por seu apoio. Este trabalho reflete sua eterna prontidão a me auxiliar, não só em questões científicas, mas em todas as principais escolhas da minha vida.

Aos meus amigos, principalmente ao João Paulo. Vocês são uma parte muito importante da minha vida. Este trabalho reflete todos os bons momentos que vivenciamos juntos.

Á CAPES e aos colegas do GIA e LQA. Este trabalho reflete todo o apoio intelectual fornecido por vocês.

Resumo

Nos últimos anos, observa-se novos equipamentos espectroscópicos à venda no mercado. Esses equipamentos apresentam novos componentes que possibilitaram uma grande diminuição do tamanho dos mesmos quando comparados a equipamentos espectroscópicos de bancada.

Assim, como objetivo deste trabalho se propôs a utilização do equipamento portátil MicroNIR 1700, desenvolvido pela empresa VIAVI. Esse equipamento obtém leituras na faixa do infravermelho próximo (990 – 1700 nm, aproximadamente). Nesta faixa, pode-se analisar potencialmente qualquer amostra que apresente ligações C-H, O-H, N-H, S-H e variação no momento de dipolo associado a movimentos vibracionais.

Considerando a faixa reduzida da região do infravermelho próximo (que vai até 2500 nm) assim como a menor resolução deste equipamento quando comparado a equipamentos de bancada, este trabalho propôs o estudo de aplicabilidade dos espectros do MicroNIR para a criação de modelos quimiométricos de classificação e previsão.

Os modelos quimiométricos deste trabalho visam duas aplicações: classificação de tecidos baseados na constituição majoritária de suas fibras e a previsão de Brix em frutas. Todos os dados foram tratados e os modelos criados com a utilização do software Unscrambler X, versão 10.1.

Para os tecidos, será utilizada a análise de PCA (análise de componentes principais) para criação do modelo de classificação. Com essa análise visa-se identificar se um tecido pertence ou não a um certo grupo, que é definido pela composição majoritária da fibra do tecido.

Para a determinação de Brix, utilizou-se 3 grupos diferentes de amostras: maçãs, laranjas e kiwis. Neste processo, obteve-se o espectro de diversas amostras de cada fruta, juntamente com o valor de Brix, utilizando um refratômetro portátil.

Para a criação dos modelos de previsão PLS (Partial Least Square Regression) utilizou-se os dados espectrais juntamente com os dados de Brix, buscando-se uma correlação entre estes dois parâmetros.

Por fim, os resultados para o modelo de previsão mostraram-se satisfatórios quando comparado com dados da literatura de previsão de Brix para os

mesmos tipos de frutas. Com a utilização da análise SIMCA (Soft Independent Modeling of Class Analogy) pode-se observar que os modelos criados com os espectros obtidos pelo equipamento MicroNIR classificou as amostras de validação de fibras de modo satisfatório.

Abstract

In recent years, new spectroscopic equipment has been seen on the market. These devices contain new components that enabled a large decrease in size when compared to a regular laboratory spectroscopy equipment.

Thus, this work proposes the use of portable equipment MicroNIR 1700, created by VIAVI company. This equipment obtains the spectrum in the near infrared region (990 - 1700 nm, approximately). In this range, we can analyze almost any sample that presents C-H, O-H, N-H, S-H bonds and variation in dipole moment associated with the vibrational modes.

Considering the reduced range of the near infrared region (going up to 2500 nm) as well as the lower resolution of this device when compared to bench equipment, this work proposes to investigate if the spectra obtained by the MicroNIR can be used for creating chemometrics models for classification and prediction.

The chemometrics models of this work aimed at two applications: fabric classification based on majoritarian constituents of its fibers and determination of Brix (which consists of the amount of dissolved solids in the sample) in fruits. All data were processed and the models created using the software Unscrambler X, version 10.1.

For fabrics, it was used a PCA analysis (Principal Component Analysis) to create a classification models. With this analysis it is intended to identify whether a sample belongs to a certain group, which is defined by the composition of the major fabric fiber.

By using the SIMCA analysis (Soft Independent Modeling of Class Analogy) it’s possible to see that the models created with the spectra obtained by MicroNIR equipment managed satisfactorily validation samples fibers with a score of 94%.

In order to determine Brix, which reflects the amount of dissolved solids present in the fruit, we used three different groups of samples: apples, oranges and

kiwifruit. In this process, there was obtained the spectrum of several samples along with Brix value using a handheld refractometer.

For the creation of the PLS prediction models (Partial Least Square Regression) was used spectral data along with the data Brix, searching a correlation between these two parameters.

The results obtained by model constructed to predict the Brix values compared with the results found in the literature for the same types of fruits show good results.

Sumário

I n t r o d u ç ã o G e r a l . .

C a p í t u l o I : F r u t a s . .

I . I I n t r o d u ç ã o

I . I I O b j e t i v o s

I . I I I M a t e r i a i s e M é t o d o s . . . .

V a l i d a ç ã o e x t e r n a. . . 3 3

I . I V R e s u l t a d o s . . . .

I . V D i s c u s s ã o

I . V I C o n c l u s ã o . . . .

C a p í t u l o I I : T e c i d o s

I I . I I n t r o d u ç ã o

I I . I I O b j e t i v o s

I I . I I I M a t e r i a i s e M é t o d o s

. . . .

I I . I V R e s u l t a d o s . . . .

I I . V D i s c u s s ã o . . . .

I I . V I C o n c l u s ã o

I I I . C o n c l u s ã o G e r a l

I V . R e f e r ê n c i a s

V . G l o s s á r i o

Ap ê n d i c e I

Ap ê n d i c e I I

Introdução Geral

A espectroscopia no infravermelho próximo.

A espectroscopia no infravermelho próximo (NIRS) emprega a radiação de comprimento de onda entre 750 e 2500 nm, estudando sua interação com a matéria (amostra). A energia associada a esta faixa de comprimento de onda consegue promover variações energéticas associadas aos níveis vibracionais de uma molécula, principalmente às transições de sobretons e combinações de modos vibracionais fundamentais [Marques, E. J. N. et al. 2016].

Quando a radiação de comprimento de onda no infravermelho incide em uma molécula pode-se observar uma variação na amplitude de vibração da ligação química de dois átomos, levando à variação do nível vibracional da molécula (Δʋ). Essa variação é prevista por um modelo quântico que descreve a energia proveniente da movimentação de átomos que compartilham uma ligação química e é objeto de estudo da espectroscopia vibracional.

O modelo harmônico/quântico considera que transições vibracionais de sobretons como proibidas, uma vez que o modelo não permite as transições vibracionais com Δʋ > 1, que é o caso das transições de sobretons. Porém estas transições são observadas normalmente na região do infravermelho próximo. Isso acontece devido ao fenômeno conhecido como anarmonicidade, que é o desvio em relação ao modelo clássico (harmônico) causado pela repulsão das nuvens eletrônicas em uma aproximação nuclear atômica e a ruptura da ligação química que ocorre ao se estender a distância entre os átomos excessivamente.

No modelo anarmônico tem-se a possibilidade de transições proibidas referentes à Δʋ >1, ou seja, as transições de sobretons. Essas transições ocorrem em faixas especificas do comprimento de onda do infravermelho próximo, de acordo com os átomos que estão compartilhando a ligação. Assim, delimita-se uma região específica onde acontece, por exemplo, transições C-H, O-H ou de qualquer ligação que apresente variação no momento dipolar. Além disso, as transições de sobretons tem a característica de se repetirem no intervalo espectral do infravermelho próximo, como pode ser visto abaixo, na Figura 1.

Nestas transições, a energia dos níveis vibracionais pode ser calculada utilizando a Equação (1), que contém o comportamento harmônico em vermelho, assim como a parte anarmônica em azul.

(1)

Ambas partes contém a constante de Plank (h) assim como a frequência vibracional fundamental (ν) e número quântico vibracional (ʋ). No caso da parte anarmônica, temos o termo da constante vibracional de anarmonicidade (xm) que

assume valores entre 0,005 e 0,05.

As análises que utilizam a espectroscopia do infravermelho próximo apresentam as seguintes características: são rápidas, não destrutivas, universais em relação ao estado da amostra (sólidos, líquidos e gasosos) e aplicabilidade, desde que a mesma possa ser representada por moléculas que apresentem ligações em que é observado variação no momento de dipolo associado ao movimento vibracional.

Publicações na área da NIRS visando aplicações diretas são comumente encontradas na literatura como, por exemplo, na determinação de qualidade interna de frutas [Marques, E. J. N et al. 2016] [Gómez, A. H et al 2006], controle de qualidade [O’Brien et al. 2013], análises qualitativas e quantitativas na indústria farmacêutica [Alcalà, M et al. 2013], materiais em análises de novos materiais [Momose, W et ai. 2013], indústria têxtil [Durand, a et al. 2007], entre outras.

Equipamentos NIRS

Equipamentos espectroscópicos são dispostos, de modo geral, da forma representada na Figura 2. Nesse arranjo temos a presença de uma fonte de radiação (A), responsável pela emissão da radiação que será usada pelo equipamento. Em (B) temos a presença de um seletor de comprimento de onda, que tem o objetivo que selecionar a parte desejada do espectro emitido. Em (C) temos a lente com o objetivo de colimar essa radiação selecionada e em seguida, em (D) a radiação incide na amostra. Parte dessa radiação será absorvida e o detector em (E) será responsável pela captação dessa informação, que será exibida na forma de um espectro (F).

Figura 2: Esquema de equipamentos de NIRS. (A) – Fonte de radiação. (B) – Seletor de

comprimento de onda. (C) – Lente focalizadora. (D) - Amostra que irá interagir com a radiação do comprimento de onda selecionado. (E) – Detector. (F) – Espectro referente à interação da amostra em (D) com a radiação selecionada.

Com a evolução do uso da técnica espectroscópica durante os anos, é natural que os equipamentos NIRS acompanhem tal desenvolvimento. Essa evolução pode ser observada na variedade de opções que foram criadas para os componentes do espectrofotômetro, visando melhorar ou especializar a técnica de análise.

Para a fonte de radiação (A), temos as opções de utilizar uma lâmpada comum (halogênio ou tungstênio-halogênio) que emite em diversos comprimentos de onda, inclusive no infravermelho próximo. Além desta opção, pode-se utilizar uma fonte de LED (Light Emitting Diode) [Malinen, J. et al. 1998]. A opção do LED reduz a faixa espectral de análise, porém observa-se um ganho muito grande em portabilidade e preço do componente, tendo em vista que esta fonte de emissão tem tamanho e preço reduzido quando comparado às lâmpadas halógenas.

(A) (B) (C ) (D) (E) (F)

Para seleção do comprimento de onda (B) temos dois tipos principais: seletores discretos, que tem como objetivo selecionar uma faixa estreita do espectro original, e seletores de espectro, que selecionam uma faixa maior da radiação original, com o intuito de estudar a interação do analito-radiação em diversos comprimentos de onda.

Para seletores discretos, observa-se o uso de filtros ópticos, barreiras físicas com o intuito de permitir que apenas parte desejada do espectro original atinja o analito. Além dos filtros ópticos, observa-se em instrumentos modernos o uso de AOTF (Acousto-Optical Tunable Filter), que emprega um monocromador sem partes móveis com componentes piezoeléctricos para seleção rápida de comprimentos de onda desejados [Melorose, J. et al. 2015]. O AOTF, por não ter partes móveis, contribui significativamente para a diminuição do tamanho dos equipamentos espectrofotométricos.

Por sua vez, os seletores de espectro utilizam grades de difração, usada desde o começo da aplicação da técnica NIRS e responsável por sua disseminação e consolidação em aplicações. O funcionamento da grade é feito mecanicamente ou eletromecanicamente, de modo que a mesma sofre rotação, separando assim a radiação incidente em diversos feixes com comprimentos de onda distintos. Inicialmente composta por partes móveis que necessitavam de um espaço físico muito grande para seu funcionamento, grades de difração de equipamentos modernos são menores e com funcionamento mecânico diferente (utilização de filmes finos ou redes holográficas [Triebel, P et al. 2016]); trazendo maior estabilidade nas leituras assim como diminuição do porte do equipamento.

Além da grade de difração, outra técnica para seleção de comprimento de onda é o uso de interferômetros juntamente com transformada de Fourier. Equipamentos com este tipo de seleção apresentam melhores resultados para precisão, exatidão e relação sinal-ruído; porém apresentam análises mais lentas que equipamentos com outro tipo de seleção [Triebel, P et al. 2016], além de serem menos robustos e não permitirem o trabalho em campo.

A lente focalizadora, ou lente colimadora (C) tem o objetivo de alinhar fisicamente a radiação antes de incidir na amostra. Com isso aumenta-se a eficiência de interação radiação – amostra [John C. Wilson et al. 2004].

A incidência da radiação na amostra (D) pode ser feita com intuito de obter, basicamente, três tipos de medidas: refletância, transmitância ou transflectância. Todas estas levam em conta como radiação selecionada incidente interage com a amostra. O arranjo para esta coleta de dados pode ser feito utilizando fibra-ótica, cubetas ou outros acessórios.

Após interação com a amostra, a radiação atinge o detector, que fornece uma leitura da intensidade luminosa. A partir destas intensidades luminosas para cada comprimento de onda, gera-se o espectro NIR da amostra.

Para equipamentos de bancada (não portáteis), nota-se que a fragilidade no ajuste de certos componentes (como grades de difrações) além do controle de humidade interna, tornam a tarefa da utilização destes equipamentos em campo, inviável.

NIRS e equipamentos portáteis

Nos últimos anos, observou-se novas tecnologias com base em avanços nas construções de seletores de comprimento de onda, para produzir um equipamento de NIRS de tamanho altamente reduzido e com alta robustez mecânica.

Nestes equipamentos os detectores respondem, geralmente, a apenas uma faixa estreita de comprimentos de onda. Porém, muitas vezes a maioria da informação química desejada se encontra nesta faixa, tendo em vista a repetição destas informações na extensão da faixa do NIR.

Equipamentos como o Blue-wave® _{da empresa Stellarnet Inc.} ®_{, DLP Ultra}

Mobile® _{da Texas Instruments}®_{, USB4000-VIS-NIR}® _{da empresa Ocean Optics}® _{e o}

MicroNIR 1700® _{produzido pela empresa Viavi}®_{; todos equipamentos NIRS portáteis,}

chegaram às mãos dos espectroscopistas de modo a serem considerados equipamentos que permitiriam novas aplicações no mercado. Neste trabalho, escolheu-se utilizar o MicroNIR 1700 devido ao contato com a empresa, preço de aquisição, nova tecnologia de seleção de comprimento de onda, entre outros fatores.

Com dimensões na ordem de centímetros e pesando menos que 100 gramas, o MicroNIR 1700 chegou ao mercado com a premissa de levar a técnica da espectroscopia do infravermelho próximo diretamente ao campo. Essa portabilidade

gera uma nova gama de aplicações para a técnica NIRS, onde a captura de dados, tratamentos e resultados podem ser feitos diretamente no local onde a amostra se encontra, sem ter de transportá-la.

A Figura abaixo mostra o equipamento descrito, pode-se observar o tamanho reduzido, quando comparado a equipamentos espectroscópicos de bancada

convencionais.

.

CAPÍTULO I

PREVISÃO DE BRIX EM

FRUTAS

1.I Introdução

O Mercado de frutas no Brasil e no Mundo no século XXI

A agricultura brasileira de frutas é um mercado de magnitude significativa, de modo que em 2015, a produção de frutas do nosso país foi considerada a terceira maior do mundo, atrás apenas da China e Índia [FAO – Food and Agriculture Organization of the United Nations].

A fruticultura vem crescendo em área e produção tanto no Brasil quanto no mundo.Entre os anos de 2003-2012 a produção mundial passou de 590 milhões de toneladas para 725 milhões aproximadamente, um aumento de 22%. Para a área cultivada, passou-se de 53,5 milhões de hectares para quase 61 milhões de hectares , um aumento de quase 13%. No Brasil observou-se, durante o mesmo período, um aumento na produção de aproximadamente 19%, acompanhando o aumento visto no cenário internacional, assim como um aumento da área plantada em quase 9% [IBRAF – Instituto Brasileiro de Frutas].

A fruticultura é uma atividade que demanda uma extensiva mão de obra. Estima-se que cada hectare de cultivo necessite de 2 a 5 trabalhadores, dependendo do elo da cadeia produtiva [IBRAF – Instituto Brasileiro de Frutas]. Com um total de mais de 2,5 milhões de hectares de área plantada (2010), pode-se então prever que mais de 5 milhões de postos de trabalho sejam destinados à fruticultura no nosso país.

Em relação à produção brasileira, a Tabela 1 apresenta um demonstrativo do ano de 2014 em relação ao tipo de frutas produzidas, assim como a quantidade em toneladas e a área cultivada para cada tipo de fruta. Pode-se notar que alguns tipos de frutas como o de laranja e de banana, chegam a volumes de produção que ultrapassam 6 milhões de toneladas, com laranja chegando a quase 18 milhões de toneladas. Em relação à área cultivada, a produção total ocupa uma área de aproximadamente 2,25 milhões de hectares que corresponde aproximadamente metade da área total do estado do Rio de Janeiro [IBGE – Instituto Brasileiro de Geografia e Estatística].

Mesmo com uma grande produção, o ingresso no mercado internacional pode levar tempo, além de ser caro e envolver decisões que dependem tanto do setor público quanto privado. Isso porque muitas vezes as implicações relacionadas às exigências fitossanitárias dos alimentos requisitados são suficientemente altos para barrar a entrada de frutas brasileiras.

São essas exigências sanitárias que, segundo a FAO (Food and Agriculture Organization of the United Nations), se tornaram os elementos mais relevantes na regulação do comercio de frutas, passando fatores como subsídios, dificuldade ao acesso de aos mercados, tarifas e cotas.

Uma das possíveis maneiras para contornar esses problemas, segundo o MAPA (Ministério da Agricultura, Pecuária e Abastecimento), seria um avanço na tecnologia de análise das frutas destinadas à exportação, principalmente as tecnologias que permitam ter uma ideia sobre a qualidade intrínseca dos produtos, como: peso, sabor e aparência, além de possíveis enfermidades, a procedência do produto em análise e a ausência de resíduos de defensivos agrícolas.

Tabela 1: Valores de volume de produção em 2015 no Brasil[IBRAF – Instituto Brasileiro de Frutas].

Lavoura Toneladas (milhões)

Laranja 17,54 Banana 6,89 Coco 1,92 Mamão 1,58 Uva 1,43 Melancia 2,16 Abacaxi 1,65 Melão 5,65

O uso de equipamentos e métodos analíticos que possam colocar em prática os procedimentos citados poderiam contribuir para a facilitação da exportação de frutas, uma vez que, estes equipamentos têm aplicações em análises sanitárias e de segurança, que, como citado, são cruciais na etapa de vendas para o exterior.

Aplicações de NIRS em Frutas – MicroNIR como analisador portátil

Devido a sua rapidez de análise e principalmente o fato de ser uma técnica não destrutiva, a NIRS é uma das ferramentas mais úteis em análises de frutas, no intuito de determinar atributos de qualidade interna da amostra. As primeiras aplicações na área focavam a determinação do índice de matéria seca [Birth et at, 1985], sólidos dissolvidos (grau Brix, que mede a presença de açúcares na amostra) de maçãs [Bellon-Maurel et al. 1992] e quantidade de água em cogumelos [Roy et at. 1993]. Porém hoje, a NIRS se estende às aplicações mais complexas, sendo possível à obtenção de informações referentes à microestrutura, como rigidez [Lammertyn et al. 1998], identificação de danos internos [Clark et al. 2003] e atributos sensoriais [Mehinagic et al. 2004].

A identificação e classificação de muitas das propriedades descritas acimas são de grande importância, tanto para o consumidor final quanto para o produtor. Informações como rigidez, sólidos dissolvidos, danos internos podem fornecer ao produtor a informações sobre sua colheita, de modo a ajudar em tarefas como seleção das melhores frutas, pré-colheita (onde pode-se monitorar se a fruta está madura pelo

seu índice de grau Brix e remoção de frutas com defeitos internos). Para o consumidor, obter estas informações descritas acima pode ajudá-lo a escolher uma fruta que mais o agrade, dentre uma quantidade de frutas muito grande (fato geralmente observado em redes de varejo e supermercados).

Assim, pode-se observar que a técnica NIRS é uma ferramenta bastante utilizada para análises na área de alimentos. Porém apresenta um grande empecilho no fato dos equipamentos espectroscópicos serem volumosos e não poderem ser levados diretamente ao campo.

Com o intuito de tentar resolver estas limitações, a empresa Viavi® _desenvolveu

o equipamento MicroNIR 1700. Este espectrofotômetro apresenta tamanho reduzido para um equipamento fotométrico, de modo que o mesmo pode ser levado diretamente à amostra em questão, estando dentro, ou fora do laboratório.

A possibilidade de poder transportar um espectrofotômetro ao campo gera uma diversidade de novas aplicações da NIRS. Um exemplo é a possibilidade de se fazer o acompanhamento em tempo real das amostras em seu próprio ambiente, estudando variações que não podem ser estudadas caso a amostra seja levada ao laboratório. Em relação a aplicações em frutas, é possível sua utilização para que análises de verificação de propriedades de maturação da fruta, utilizando fatores já empregados na NIRS, como o Brix, pH e acidez. Assim, esses valores poderiam auxiliar o produtor a tomar decisões a respeito do período ideal de colheita.

Além disso, um equipamento portátil, devido ao seu menor custo, juntamente com uma plataforma de fácil operação, poderia ser empregado para uso direto da população, a qual o consumidor não especialista em NIRS poderia usufruir todas as aplicações da técnica. Nesta visão, um varejista poderia adquirir o equipamento portátil que utiliza NIRS para que seus clientes possam, por exemplo, escolher dentre as frutas presentes a que contenham maior grau Brix (maior presença de açucares na amostra). Desta maneira, e de um modo simples, a população não especialista poderia usufruir das vantagens de uma técnica, antes apenas voltada para os laboratórios e centros científicos.

NIRS em Frutas – Maçã, Laranja e Kiwi

O presente trabalho utilizou 3 tipos diferentes de frutas: maçã, laranja e kiwi. O motivo da escolha de cada tipo de fruta será abordado a seguir.

Primeiramente, escolheu-se trabalhar com maçã, tendo em vista o grande volume produzido desta fruta no nosso país, assim como o grande número de trabalhos realizados com esse tipo de fruta na literatura envolvendo NIRS e a composição química das mesmas [Wu, J et al. 2007], qualidade interna [Abbott, J et al. 1999] e estudos sobre penetração da radiação na fruta [Lammertyn, J et al. 2000].

Em relação à laranja a escolha foi realizada levando em conta principalmente a relevância do estado de São Paulo como maior produtor, responsável por mais de 77% da produção no nosso país.

Assim como para a maçã, a literatura para NIRS envolvendo laranja é extensa, com a possibilidade de comparação direta do espectro [Cayuela, J. et al 2010] e qualidade interna [Abbott, J et al. 1999] [Cen, H et al. 2007] de modo a facilitar a avaliação do equipamento portátil por comparação direta com espectros e modelos da literatura.

Para a fruta kiwi, a escolha foi feita considerando outro aspecto, tendo em vista que o Brasil não tem uma produção significativa deste fruto, e não se coloca nem entre os 10 maiores produtores.

Escolheu-se trabalhar com o kiwi pois a maior parte destas frutas chegam ao mercado brasileiro através da importação e por isso podem sofrer mais danos com transportes e requerem maiores cuidados devido ao tempo até o ponto de venda. Todas essas variáveis podem gerar complicações para as amostras de kiwi que não são observadas em frutas que foram produzidas no brasil, tendo em vista que, muitas vezes, o transporte e armazenamento das mesmas não exige cuidados tão rígidos quanto de amostras importadas. Assim, tendo em vista o equipamento espectrofotométrico portátil descrito e as características das frutas citadas; neste trabalho, será utilizado o equipamento MicroNIR 1700 como ferramenta analítica para obtenção dos espectros NIR de 3 tipos diferentes de frutas, com o intuito de averiguar

se os dados obtidos por esse equipamento podem gerar modelos quimiométricos de resultado comparável com o da literatura para determinação do Brix destas frutas.

1. II Objetivos

Avaliar o espectrofotômetro MicroNIR 1700, produzido pela empresa Viavi®_:

1) Obter dados espectrais de 3 tipos diferentes de frutas: Laranja Lima (Citrus sinensis), Maçã Fuji (Malus domestica) e Kiwi Imp (Actinidia deliciosa)

2) Utilizar os dados espectrais obtidos, juntamente com dados obtidos de Brix (sólidos dissolvidos) para a criação de modelos quimiométricos visando a previsão do valor destes sólidos dissolvidos presente em amostras destes tipos de frutas.

3) Comparar os resultados dos modelos obtidos com os dados presentes na literatura para previsão de Brix.

1.III Materiais e Métodos

Equipamentos e Softwares utilizados

MicroNIR 1700

Produzido pela empresa norte-americana Viavi®, antiga JDSU; o MicroNIR 1700 é um espectrofotômetro de porte e peso altamente reduzido. O equipamento opera na região no infravermelho próximo, mais especificamente entre 900 e 1700 nm. Um filtro variável linear é responsável pela seleção da radiação NIR. Nesta região do espectro pode-se observar a informação vibracional referente ao terceiro e segundo sobretons das ligações químicas como C-H, C-H2, C-H3, RN-H, O-H,

entre outras. A resolução do equipamento é da ordem de 6 nm. A detecção é feita por um arranjo de 126 sensores, posicionados diretamente após o seletor de comprimento de onda. O instrumento ainda conta com 2 lâmpadas como fonte de radiação do equipamento posicionadas como mostrado na figura 4. O controle do equipamento, assim como a coleta de espectros é feita por um software da própria

C

empresa. Um computador é responsável por fornecer a energia necessária para a operação do equipamento, utilizando uma entrada USB comum, do computador, e uma entrada MicroUSB do lado do MicroNIR.

Na Tabela pode-se observar a comparação de algumas propriedades do MicroNIR 1700 com um equipamento VIS-NIR convencional de bancada. Na Figura 4 está representado um desenho referente ao equipamento e algumas de suas características instrumentais.

Tabela 2: Características do equipamento MicroNIR 1700 comparado com um equipamento de

bancada convencional

Propriedades MicroNIR Solidspec 3700

Dimensões Largura x Comprimento (mm) 45 x 42 1000 x 1200 Peso (gramas) 80 170 kg Faixa espectral (nm) 915-1700 240-2600 Resolução (nm) 6,2 0,1

Figura 4: Esquema de leitura por modo de refletância do equipamento. Com as fontes de radiação em

A, o filme linearmente variável em B e arranjo linear de detectores em C.

Refratômetro digital RTD 95

Para obtenção do grau Brix das amostras de frutas, utilizou-se o refratômetro digital RTD 95 da empresa Instrutherm, que pode ser visto na Figura 5, a seguir. Algumas das características desse equipamento podem ser observadas na Tabela 5.

Figura 5: Refratômetro Digital RTD 95 utilizado para obtenção do grau Brix das amostras de frutas

utilizadas.

Tabela 3: Algumas características do equipamento RTD 95 utilizado para obtenção do grau Brix das

amostras de frutas. Propriedades RTD 95 Faixa de temperatura (o_{C) 0 – 70} Precisão da Temperatura (o_{C) 1} Temperatura de operação (o_{C) 0 - 30} Dimensões (mm) 135x65x70 Peso (gramas) 200 Alimentação 2 pilhas de 1,5 V

Unscrambler X

O programa Unscrambler X, versão 10.1, foi escolhido como software de tratamento dos dados obtidos pelo MicroNIR e pelo refratômetro. Este programa, produzido pela empresa Camo®, é um software criado especialmente para tratamento de dados multivariados, como é o caso dos dados espectrais. Este programa permite realizar tarefas como pré-tratamento, pré-análise e análise dos dados, assim como a construção de modelos de previsão e classificação. Para frutas, o modelo gerado foi um modelo PLS (Partial Least Square) ou regressão por mínimos quadrados parciais visando a previsão de Brix.

Rotina de análise

Rotina completa.

A rotina de análise para amostras de frutas pode ser vista abaixo, na Figura 6.

Figura 6: Fluxograma das rotinas de análise

Obtenção das

frutas

Aquisição dos

espectros

(MicroNIR)

Aquisição do

grau Brix

(refratômetro)

Tratamento

dos dados

Modelo PLS

Validação

externa

Obtenção das frutas

As frutas destinadas às análises foram obtidas em mercados da cidade de Campinas – SP. Visitou-se mercados de diversas regiões da cidade visando otimização amostral durante todo o ano de 2014 e parte de 2015. O total de amostras de cada grupo foi variado de acordo com a fruta escolhida. Visou-se a obtenção de frutas sem danos exteriores, machucados aparentes, defeitos em sua casca ou tamanho irregular. A cada visita nos mercados, cerca de 20 amostras de uma única fruta eram obtidas. Desse modo, visou-se a construção de um conjunto amostral mais representativo, com amostras de lotes diferentes.

Após compradas, as amostras eram levadas diretamente ao laboratório para análise. As amostras eram então lavadas utilizando água corrente e secadas utilizando papel toalha. Após este processo, as amostras eram secas completamente em temperatura ambiente (25±1 °C) durante aproximadamente 1 hora.

Uma vez seca, as amostras eram numeradas e os espectros individuais de cada fruta obtidos.

O conjunto para cada tipo de fruta pode ser visto abaixo na Tabela 4.

Tabela 4: Conjunto amostral das frutas utilizadas para previsão do grau Brix utilizando dados

espectrais e de Brix

Fruta Calibração Validação

Kiwi Imp (Actinidia deliciosa) 78 24

Laranja (Citrus sinensis) 79 26

Aquisição dos espectros com o MicroNIR

A obtenção dos espectros foi feita utilizando o equipamento MicroNIR 1700. Uma vez a fruta totalmente seca, encostou-se a janela do equipamento diretamente na casca. Nesse processo, priorizou-se a área de contato que mais preenchesse a janela do equipamento. Para todas as frutas, as análises foram feitas na parte central da amostra, com o MicroNIR posicionado diretamente horizontal à fruta. A Figura 7 ilustra a posição de obtenção de espectros.

Marcou-se, utilizando uma caneta, o local especifico da área da qual o espectro foi obtido. Isso foi feito visando a etapa posterior de obtenção do grau Brix, para que a mesma área de onde foi obtido espectro fosse utilizada para a obtenção do grau Brix.

Figura 7: Disposição do equipamento MicroNIR nas aquisições de espectros das amostras de frutas. Obtenção do grau Brix com o refratômetro.

Após a obtenção dos espectros, as amostras de frutas foram preparadas para a obtenção do Brix. Neste processo, em um ambiente com temperatura controlada de 25±1 °C removeu-se a parte marcada anteriormente da fruta utilizando um cortador especial. Essa parte da fruta foi então macerada utilizando um almofariz e pistilo. Parte do suco da fruta referente a este processo foi coletado utilizando uma pipeta Pasteur e colocado na janela de medida do refratômetro. Após cada ciclo, a pipeta era descartada e o almofariz lavado para que não houvesse mistura de sucos entre amostras diferentes no mesmo almofariz.

M

Obteve-se o grau Brix de todas as amostras de frutas. Esses valores foram transferidos para um computador juntamente com os dados espectrais de cada amostra.

A Figura 8 abaixo, mostra alguns dos equipamentos utilizados neste processo de obtenção do Brix e dos espectros.

Figura 8: 1 – Amostra de fruta 2 - Cortador de frutas utilizado para remoção da parte onde foi obtido o

espectro NIR. 3 – Almofariz para a maceração das amostras. 4 – Pipetas Pasteur utilizadas. 5 – Refratômetro RTD 95 para a aquisição dos valores de Brix das amostras de frutas.

Tratamento dos dados

Primeiramente juntou-se os dados espectrais e os dados de Brix em um arquivo conjunto. Este arquivo foi então importado para o programa Unscrambler X e a matriz de análise, transposta, para adequação com os formatos sugeridos pelo programa.

Em seguida, utilizou-se o pré-tratamento espectral de SNV (Standard Normal Variate) nos dados espectrais. É necessário um pré-tratamento de dados espectrais para corrigir efeitos de espalhamento de radiação. O SNV é um método que calcula a média (𝐴) e desvio padrão (𝜎) de todos os pontos de um espectro, em seguida subtrai-se o valor encontrado no ponto (A) pelo valor da média, e divide-o pelo desvio padrão. A fórmula para esse cálculo pode ser vista a seguir, na equação 2.

𝑆𝑁𝑉 (𝐴) =𝐴 − 𝐴 𝜎 (2)

Uma vez que todos os espectros foram tratados, fez-se uma análise exploratória com esses dados com o intuito de identificar possíveis outliers. A análise escolhida foi a análise de componentes principais (PCA), com o intuito de encontrar dados espectrais que, por algum possível erro de análise, não se assemelham aos dados utilizados. Mais informações sobre este tipo de análise serão apresentadas no capítulo 2.

Uma vez que os outliers tenham sido identificados e removidos da matriz de dados, pode-se prosseguir com a geração do modelo de previsão PLS.

Modelo PLS (Partial Least Square Regression)

O modelo PLS (Partial Least Square) ou regressão por mínimos quadrados parciais, criado pelo economista e estatístico sueco Herman Wold, consiste em um método estatístico para previsão de valores de uma variável estudada. O método visa encontrar uma relação fundamental entre duas matrizes (A e B), neste caso, dados espectrais (A) e valores de grau Brix (B). Isso é feito projetando as variáveis previstas e observadas em um novo espaço de dados criado pelo modelo, visando sempre achar a direção multidimensional de maior correlação entre as matrizes de análise.

O resultado do modelo PLS é uma equação de primeiro grau do tipo:

𝐵𝑟𝑖𝑥 = 𝐵(0) + ∑ 𝐵(𝑛)𝑥_𝜆𝑛

𝑛

𝑛,𝑥=1

Para a criação do modelo, escolheu-se a validação interna do tipo validação cruzada completa. O número total de amostras utilizadas para o modelo de calibração para cada tipo de fruta pode ser observado na Tabela 4, na página 18. Porém utilizando os resultados de Leverage e Hotelling, foi feita a remoção de algumas amostras para a melhora geral do modelo. Essa remoção feita pelo Hotelling se baseia da distância relativa ao centro dos dados do modelo, e utiliza a distribuição estatística F (distribuição F de Snedecor ou Fisher-Snedecor) para esse processo [Brereton, R. G. et al. 2013]. Enquanto isso, o Leverage mede a influência da amostra no modelo

criado, de modo que um valor alto de Leverage indica que as medidas experimentais de uma certa amostra se diferenciam das outras amostras de calibração [Márcia M. C. et al. 1999]. Uma vez essas amostras removidas, o modelo era refeito.

Além disso, valores como R2 _{e RMSEC também são gerados pelo modelo,}

sendo importantes para comparação com dados da literatura visando estimar o quão satisfatório são os resultados obtidos.

Uma vez o modelo criado, podemos utilizar a equação para previsão direta do Brix, utilizando os valores espectrais dos comprimentos de onda.

Validação externa

O processo de validação externa consiste em prever o parâmetro de interesse nas amostras que não foram usadas para criação do modelo. No presente trabalho, gerou-se um modelo de previsão para cada tipo de fruta estudado, assim, validou-se externamente cada um destes modelos independentemente, utilizando amostras do tipo de fruta estudado.

A quantidade de amostras utilizada para esse processo, para cada tipo de fruta, é apresentada na Tabela 4, na página 18.

Para o processo de seleção destas amostras, organizou-se todos os dados de Brix em ordem crescente no software de tratamento de dados. Em seguida, selecionou-se 1 amostra à cada 4 presentes como amostras de validação externa (de modo que estas não seriam utilizadas para construção do modelo), começando da segunda amostra. Desse modo, propôs-se a seleção para validação de amostras com grau Brix dentro do intervalo das amostras de calibração (indispensável para o modelo de previsão, tendo em vista que o mesmo não permite a extrapolação de dados, ou seja, ele não consegue prever amostras para os quais os valores de Brix não estejam dentro dos valores de calibração).

Neste processo, obteve-se o espectro de cada nova amostra, assim como o Brix, para que se possa comparar o valor previsto com o valor de referência. O processo de obtenção do grau Brix e dos espectros destas amostras seguiu o mesmo protocolo adotado para as amostras de calibração.

Os espectros obtidos foram importados pelo software, e utilizou-se a opção de previsão por modelo já feito. Com essa opção, todos os pré-tratamentos e outras modificações feitas nos espectros utilizados para a construção do modelo também foram feitas nos espectros de validação externa. Escolheu-se incluir a coluna de dados de referência (grau Brix) para comparação do Brix previsto pelo modelo obtido pelo refratômetro.

O resultado obtido neste processo pode ser mostrado em forma de um gráfico de valor previsto x valor de referência, dessa forma pode-se comparar este resultado com os valores obtidos experimentalmente.

1.IV Resultados

Os resultados serão apresentados em sequência para cada tipo de fruta utilizada, começando com maçã, depois laranja e por último kiwi. Além disso, os resultados para cada fruta serão apresentados seguindo os objetivos propostos na página 16.

Dados espectrais e de Brix

Para a criação do modelo de calibração visando a previsão de Brix, obteve-se um conjunto amostral com valores, na Tabela 5.

Tabela 5: Valores de cada tipo de fruta para criação dos modelos de calibração

Fruta Calibração

Kiwi Imp (Actinidia deliciosa) 78

Laranja (Citrus sinensis) 79

As Figuras 9,10 e 11 apresentam todos os espectros das amostras de calibração para os três tipos de frutas utilizadas, antes do pré-tratamento das mesmas.

Figura 09: Espectros obtidos pelo equipamento MicroNIR para as amostras de calibração de maçãs Fuji.

Figura 11: Espectros obtidos pelo equipamento MicroNIR para as amostras de calibração de kiwi Imp. Tratou-se os espectros das frutas com SNV. As Figuras 12,13 e 14, a seguir apresentam os resultados desses pré-tratamentos na forma de um gráfico.

Figura 13: Espectros tratados para as amostras de calibração de laranja Lima.

Figura 14: Espectros tratados para as amostras de calibração de kiwi Imp.

Após o pré-tratamento espectral, fez-se um modelo PCA para identificação de outliers presentes nas amostras de calibração, antes de criar o modelo PLS de previsão de Brix. Este processo foi descrito em Tratamento de dados, e consiste no

estudo dos valores de Leverage e Hotelling para remoção de amostras consideradas estatisticamente distintas das amostras do conjunto. As Figuras 15,16 e 17 mostram os resultados para Leverage e Hotelling dos modelos PCA de identificação de outliers.

.

Figura 17: Espectros pré tratados com SNV das amostras de calibração de kiwi Imp.

Baseando-se nos valores de Leverage e Hotteling optou-se pela remoção das amostras de calibração: amostra 62 para maçãs, nenhuma amostra para laranjas e as amostras 28, 7, 48 e 41 para kiwi.

Além dos espectros, obteve-se o grau Brix (sólidos totais dissolvidos) para as amostras de frutas. A Figura 18,19 e 20 apresenta os resultados em forma gráfica destes dados. Os dados numéricos podem ser encontrados no apêndice I.

Figura 18: Valores do grau Brix obtidos por refratometria para as amostras de maçã Fuji

Figura 19: Valores do grau Brix obtidos por refratometria para as amostras de laranja Lima. 10,00 11,00 12,00 13,00 14,00 15,00 16,00 17,00 18,00 19,00 20,00 1 4 7 _{10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97} 100 103 106 109

Valores de Brix para maçãs medidas por refratometria

4,00 5,00 6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00 1 4 7 _{10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97} 100 103

Figura 20: Valores do grau Brix obtidos por refratometria para as amostras de kiwi Imp.

Modelo PLS de previsão de Brix

Com os outliers removidos e os dados de amostras de calibração pré tratados, criou-se os modelos PLS de previsão de Brix.

Escolheu-se começar utilizando 15 componentes para modelagem de todos os modelos. Com base nos valores de validação interna obtida com esses 15 componentes, posteriormente, ajustou-se o modelo para previsão utilizando os valores otimizados de componentes. 8,00 9,00 10,00 11,00 12,00 13,00 14,00 15,00 1 4 7 _{10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97} 100

Nas Figuras 21, 22 e 23 pode-se observar o gráfico de variância explicada por número de componentes utilizadas para os modelos de previsão de cada fruta.

Figura 21: Variância explicada por número de fatores utilizados para criação do modelo de previsão

de Brix para maçã Fuji.

Figura 22: Variância explicada por número de fatores utilizados para criação do modelo de previsão

de Brix para laranjas Lima.

Valores obtidos para o modelo de previsão de maçãs Fuji.

Figura 23: Variância explicada por número de fatores utilizados para criação do modelo de previsão

de Brix para kiwi Imp.

Com base nos máximos de variância explicada dos dados de validação interna obtidos nos gráficos para cada modelo gerado, escolheu-se o número de fatores utilizados para remodelá-los. Assim, obteve-se um modelo para cada tipo de fruta. Os principais resultados para cada um dos modelos podem ser vistos a seguir.

Tabela 6: Fatores relevantes ao modelo PLS criado para previsão de Brix de amostras de maçã Fuji.

Fatores Resultados

Quantidade de amostras 81

Número de fatores utilizados 9

RMSEC(%) 0,64

R2 _0,86

Figura 24: Dados de previsão (eixo Y) contra referência (eixo X) para amostra de maçã Fuji

Tabela 7: Fatores relevantes ao modelo de calibração de laranjas Lima

Fatores Resultados

Quantidade de amostras 79

Número de fatores utilizados 7

RMSEC(%) 0,9319

R2 _0,67

Previsão (Brix)

Figura 25: Dados de previsão (eixo Y) contra referência (eixo X) para amostra de laranjas Lima

Tabela 8: Fatores relevantes ao modelo de calibração de kiwi Imp.

Fatores Resultados

Quantidade de amostras 78

Número de fatores utilizados 8

RMSEC(%) 0,42

R2 _0,84

Referência (Brix) Previsão (Brix)

Figura 26: Coeficientes de regressão do modelo PLS de previsão do grau Brix para kiwis em forma

gráfica.

As figuras 24, 25 e 26 mostram a dispersão para as amostras de calibração para a referência (eixo x) e previsão (eixo y). A reta no meio do gráfico representa a tendência para R2 _{= 1. Assim, podemos dizer que amostras que se encontram mais}

perto desta linha mostram um resultado de previsão mais perto do resultado de referência, enquanto as amostras que se encontram mais longe desta linha mostram um resultado de previsão mais distante do resultado esperado.

O resultado do modelo de regressão pode ser expresso por uma equação de primeiro grau, como apresentado em Modelo PLS (Partial Least Square Regression). Neste processo atribui-se pesos para os comprimentos de onda utilizado para elaboração do modelo que são proporcionais à importância dessas variáveis para a previsão do grau Brix. Esses valores podem ser encontrados nas Figuras 27,28 e 29 para maçãs, laranjas e kiwis, respectivamente.

Previsão (Brix)

Figura 27: Coeficientes de regressão do modelo PLS de previsão do grau Brix para maçãs em forma

gráfica.

Figura 28: Coeficientes de regressão do modelo PLS de previsão do grau Brix para laranjas em forma

gráfica. Val o r do c o efici ente d e reg ressão Comprimento de onda (nm) Comprimento de onda (nm) Val o r do c o efici ente d e reg ressão

Figura 29: Coeficientes de regressão do modelo PLS de previsão do grau Brix para kiwi em forma

gráfica.

Os dados apontam para maior importância em comprimentos de onda referentes às ligações C-H (11,60 nm e 1380 nm) e O-H (1420 nm).

Após a criação, foi feita a validação externa dos modelos, que podem ser vistos na próxima sessão.

Validação externa

Primeiramente, com um conjunto de 27 amostras, realizou-se a validação externa do modelo de previsão de Brix para maçãs Fuji. A amostragem foi feita de modo a cobrir todo o intervalo de Brix. Desse modo pode-se estudar a qualidade de previsão dos modelos para no intervalo de valores de interesse.

A Figura 30, a seguir, mostra e compara estes resultados de previsão para as 27 amostras. Comprimento de onda (nm) Val o r do c o efici ente d e reg ressão

Figura 30: Comparação dos dados previstos (Azul) e dados de referência (Vermelho) para o

modelo de previsão de Brix de maçãs Fuji.

Em seguida, prosseguiu-se com a validação externa para as 26 amostras de laranja. O resultado para esta etapa pode ser visto na figura 31.

Por fim, observa-se o resultado de validação externa para as amostras de kiwi, na figura 32.

Os resultados número podem ser vistos no apêndice II. RMSEP: 0,80 010 011 012 013 014 015 016 017 018 019 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

Validação externa para maçãs Fuji

Figura 31: Comparação dos dados previstos (Azul) e dados de referência (Laranja) para o modelo de

previsão de Brix de laranjas Lima.

Figura 32: Comparação dos dados previstos (Azul) e dados de referência (Verde) para o modelo de

previsão de Brix de kiwi Imp.

000 002 004 006 008 010 012 014 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Validação externa para amostras de laranjas

Previsão Referência 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Validação externa para amostras de kiwi Imp

Previsão Referência

RMSEP: 0,93 RMSEP: 1,07

V. Discussão

Nesta sessão, serão comparados os dados dos modelos de previsão criados para cada tipo de fruta com dados encontrados na literatura. Além disso, comparações espectrais também serão feitas com o intuito de correlacionar as principais bandas do equipamento avaliado com equipamentos previamente empregados para a mesma finalidade.

Maçã Fuji

Os espectros NIR encontrados na literatura para maçãs mostram informações químicas dos seguintes compostos majoritários [Wu, J et al. 2007]: água e açúcares (glicose, frutose, sacarose e amido) [Abbott, J. a. et al. 1999]. Essas informações aparecem repetidamente no intervalo espectral na faixa do NIR.

Quando comparamos o espectro obtido pelo MicroNIR (Figura 33) com o espectro encontrado na literatura, nota-se uma semelhança entre as principais bandas obtidas, referentes às ligações C-H (1180 nm) e O-H (1460 nm).

O valor médio de Brix encontrado para o conjunto de testes para maçã Fuji foi de (14,95±1,71).

Em relação aos pré-tratamentos utilizados, o SNV mostrou-se uma boa ferramenta para pré tratar os espectros, resultando na redução da variação da linha base espectral. Além do SNV, utilizar o PCA como ferramenta exploratória pré-modelo para identificação de outliers através da interpretação dos valores tanto de Leverage quanto Hotelling, possibilitou a criação de modelos de previsão otimizados.

Os principais resultados do modelo PLS de previsão de Brix para amostras de maçã Fuji podem ser vistos na Tabela 7 no capítulo 2, sessão 2.2. Quando comparamos o resultado obtido com a utilização do MicroNIR com dados da literatura (Tabela 9) pode-se perceber que os valores de R2 _{e RMSEC obtidos no modelo craido}

são semelhantes aos encontrados na literatura. O trabalho feito por [Ventura et al.1998] utilizou um equipamento de NIRS da empresa Oceanoptics, com faixa espectral de 350 – 1000 nm, e trabalho com maçãs do tipo Golden Delicious e Jonagold. O trabalho feito por [Ignat, T. et al. 2014] utilizou os equipamentos de NIRS portáteis USB 2000 (faixa espectral 340 – 1100 nm) e Liga (850 – 1888 nm), assim como maçãs do tipo Granny Smith, Pink Lady e Starking. Desse modo percebe-se que o modelo criado utilizando o MicroNIR teve um resultado satisfatório quando comparado com os resultados de ambos trabalhos na literatura.

Tabela 9: Resultados comparativos entre os modelos de previsão criado utilizando o MicroNIR e

modelos encontrados na literatura para a mesma função.

Parâmetros Este Trabalho Ventura et al. Ignat et al.

R2 _{0,8619 0,65 0,89 0,78}

RMSEC(%) 0,64 0,91 0,43 0,56

Fatores utilizados

9 7 6 4

Quando comparamos os resultados obtidos para a validação externa (Tabela 10), observa-se, novamente, o resultado obtido para o modelo construido com a informação espectral do MicroNIR teve um desempenho satisfatório quando

comparado com dados encontrados na literatura. A técnica obteve-se valores de R2 _E

erro (RMSEP neste caso) mais satisfatórios do que o trabalho de [Ventura et al. 1998] e da mesma ordem que o trabalho de [Ignat, T. et al. 2014].

Tabela 10: Resultados comparativos entre validação neste trabalho utilizando o MicroNIR e modelos

encontrados na literatura para a mesma função

Laranja Lima

Os espectros obtidos na literatura para amostras de laranjas se assemelham muito com os espectros de maçã. Tal fato ocorre devido as amostras apresentarem muitos componentes químicos (açucares principalmente) semelhantes. Na Figura 34 nota-se um espectro característico da fruta, obtido com o MicroNIR, assim como as principais bandas, com caracterização semelhante à das amostras de maçãs.

O valor médio de Brix para as amostras do conjunto de calibração foi de (8,29±1,62).

Parâmetros Este Trabalho Ventura et al. (1998) Ignat et al. (2014)

R2 _{0,80 0,54 0,84 0,78}

Figura 34: Espectro típico NIR de amostras de laranja Lima obtido com o equipamento MicroNIR Em relação ao pré-tratamento, o SNV mostrou-se suficiente para comportar os dados espectrais. Análises previamente realizadas mostraram que não seria necessária a remoção de nenhuma amostra anômala possivelmente prejudicial ao modelo de previsão.

Os principais resultados para o modelo de previsão podem ser vistos na Tabela 9 no capítulo IV. Para comparação com os dados coletados, utilizou-se dados da literatura. No trabalho de Y. Liu, utilizou-se o equipamento QualitySpec Pro®, com faixa espectral VIS-NIR (350-1800 nm); enquanto Cayuela utilizou 2 equipamentos portáteis em seu trabalho Labspec® e Luminarm®, assim como 4 variedades de laranja (Sanguinelli, Valencia, Salustiana e Navelate). Quando comparamos os resultados do modelo criado com os dados do MicroNIR com dados da literatura (Tabela 11) vemos que os resultados de R2 _{e RMSEC obtidos são ligeiramente piores.}

Enquanto os dados da literatura apresentam R2 _{em torno de 0,9, os resultados para}

este trabalho apresentam R2 _{de aproximadamente 0,7. Além disso, o erro para o}

modelo criado com os dados do MicroNIR se mostra aproximadamente 35% maior.

Um dos possíveis motivos para que o modelo criado não apresentar um aproveitamento tão bom quanto os encontrados na literatura é penetração da luz na casca da fruta não ser tão efetiva com o MicroNIR, tendo em vista que as lâmpadas

utilizadas apresentam uma intensidade menor do que aquelas usadas em outros equipamentos. Assim, a coleta da informação química presente no interior do fruto (escopo do estudo) pode ter sido comprometida.

Tabela 11: Parâmetros para os modelos de previsão de Brix feitos no presente trabalho e dados

encontrados na literatura

Parâmetros Este Trabalho Y. Liu et al. Cayuela et al.

R2 _{0,67 0,88 0,92 0,91}

RMSEC(%) 0,93 0,60 0,60 0,67

Fatores utilizados

7 6 10 10

Em relação à validação externa (Tabela 12), vemos novamente que o modelo criado com dados do MicroNIR apresentou um resultado pior do que os modelos da literatura tanto para R2 _{quando para RMSEP. Fato esperado tendo em vista que o}

modelo em que estas amostras foram validadas apresentou menor qualidade do que os modelos da literatura. No caso do trabalho de Cayuela et al (2010). não foi possível obter dados de R2 _{tendo em vista que os mesmos não constavam no artigo citado}

Tabela 12: Parâmetros de validação externa para os modelos feitos com os dados do MicroNIR e

informações da literatura.

Parâmetros Este Trabalho Y. Liu et al. Cayuela et al

R2 _{0,60 0,75 - -}

Kiwis Imp

Novamente, notou-se que os espectros da literatura para as amostras de kiwi se assemelham aos obtidos para as outras frutas, pelos mesmo motivos já descritos para laranjas.

O valor de Brix médio para as amostras de kiwi foi de (11,27±1,11).

Em relação aos pré-tratamentos, pode-se observar que os espectros de kiwi se apresentam menos comportados do que quando comparados às outras frutas, tendo em vista a variação observada no eixo referente à absorção. Mesmo assim, o tratamento com SNV mostrou-se suficiente como pré-tratamento dos espectros iniciais. Em relação às análises pré-modelo, percebeu-se a identificação de várias amostras anômalas. Um dos motivos para isso é a facilidade com que esta fruta apresenta defeitos internos. Por ser uma fruta com casca muito fina, e polpa não tão rígida, o kiwi frequentemente apresenta defeitos internos que levam a mudar a forma da interação radiação - fruto (seja por acumulo maior de matéria naquele local, ou maior/menor espalhamento da radiação). Isso faz com que os espectros coletados tenham uma variação maior do que em frutas que não apresentam esta característica.

Quando comparamos com os resultados do trabalho de Arazuri et al. (2005) (que utilizou um equipamento NIR de bancada da marca Varian) vemos que o modelo de previsão para kiwi se mostrou tão satisfatório quanto o modelo encontrado na literatura, em relação ao RMSEC (Tabela 13). Não foram encontrados valores de R2

para os modelos da literatura.

Tabela 13: Parâmetros encontrado no modelo de previsão criado com os dados do MicroNIR e dados

presentes na literatura para Kiwi Imp.

Parâmetros Este Trabalho Arazuri et al

R2 _{0,83 - - -}

RMSEC(%) 0,42 0,71 0,58 0,60

Fatores utilizados 8 7 6 4

Em relação à validação externa (Tabela 14) foi observado novamente um resultado tão bom quanto o encontrado na literatura para previsão de Brix.

Tabela 14: Resultados para a validação externa de kiwi Imp obtidos neste trabalho e dados da

literatura

Parâmetros Este Trabalho Arazuri et al.

R2 _{0,60 - - -}

RMSEP(%) 0,78 0,83 0,68 0,83

VI. Conclusão

Foi possível a obtenção dos dados espectrais de amostras de maçãs Fuji, laranjas Lima e kiwi Imp utilizando o novo espectrofotômetro portátil MicroNIR 1700.

Foi possível a criação de modelos quimiométricos PLS (Partial Least Square) utilizando os dados espectrais obtidos pelo equipamento MicroNIR 1700 e dados de Brix (sólidos dissolvidos) utilizando o refratômetro RTD95, com o intuito de prever o valor de Brix de forma não destrutiva.

Os resultados dos modelos PLS para as classes de amostras de maçã Fuji e kiwi Imp apresentaram resultado tão bom quanto os observados na literatura. O modelo de previsão de Brix para a classe de amostras de laranja Lima apresentou um resultado levemente inferior aos modelos encontrados na literatura.

CAPÍTULO II

CLASSIFICAÇÃO

TÊXTIL