Banner Portal
Avaliação da pureza de café por imagens químicas
PDF

Palavras-chave

Ectroscopia
Espectroanalítica
Infravermelho próximo
Café

Como Citar

VIDAL, Cristiane; PASQUINI, Célio Pasquini. Avaliação da pureza de café por imagens químicas. Sínteses: Revista Eletrônica do SimTec, Campinas, SP, n. 8.Eixo 2, p. e0220845, 2023. Disponível em: https://econtents.bc.unicamp.br/inpec/index.php/simtec/article/view/17787. Acesso em: 9 maio. 2024.

Resumo

Introdução/Objetivo: FUNDAMENTO: Uma das linhas de pesquisa do Instituto de Química é a espectroanalítica, área que emprega a interação da radiação eletromagnética com a matéria para extrair propriedades físico-químicas de uma amostra, de forma qualitativa ou quantitativa. A espectroscopia no infravermelho próximo (NIR, 1000-2500 nm) é bastante empregada na análise de alimentos por permitir medidas não destrutivas e com o mínimo de preparo de amostra. O estado da arte desta técnica é a combinação da espectroscopia com imagem, gerando a imagem hiperespectral. OBJETIVO: Desenvolver um método utilizando NIR combinado com imagem para a detecção de impurezas em café torrado e moído, sem preparo de amostra, como alternativa ao método mais laborioso e demorado atualmente empregado (Figura 1). Metodologia: Amostras de café foram propositalmente contaminadas com 1% m/m de casca, que é o máximo permitido de impureza. Foram obtidas imagens de café, de impureza e de misturas de café com impurezas. Estas imagens foram utilizadas para o desenvolvimento (calibração e validação) de um modelo matemático de classificação para identificar os pixels da imagem referentes às impurezas presentes em uma amostra de café. Com os modelos desenvolvidos, buscou-se estabelecer uma relação entre a quantidade de pixels previstos como impureza em relação ao total de pixels da imagem da amostra de café. Assim, definiu-se a métrica da porcentagem de pixels classificados como impureza (PPI) para ser relacionada com o teor (% m/m) da impureza, com o objetivo de atingir 1 % m/m de quantificação. Resultados: Os modelos para classificar os pixels das imagens como classe de café ou classe de impureza apresentaram sensibilidade e especificidade de 99% (Figura 2a). Sob o ponto de vista qualitativo, as impurezas colocadas sobre a superfície de café foram identificadas . Sob o ponto de vista quantitativo, a quantidade pixels detectados como impureza teve uma grande variação para mais de 27 amostras de café com 1% m/m de impureza. Os valores variaram de PPI 0,04 % a 1,25 %. Uma das explicações é que as impurezas ficam mais recobertas pelas finas partículas de café na granulometria de 150-300 µm. Associa-se o fato de que quanto menor a granulometria do café, menor a absorbância. Se partículas menores refletem mais radiação, a radiação pode não acessar as impurezas e o espectro adquirido é mais semelhante ao do café que recobre a impureza. Se a informação química da impureza não é detectada, ela não pode ser corretamente prevista pelo modelo (Figura 2b). Este trabalho é uma contribuição de uma das linhas de pesquisa da universidade aplicada ao interesse da sociedade, que é o desenvolvimento de métodos modernos para controle de qualidade de alimentos e demostra os desafios e as dificuldades analíticas que devem ser superadas nestes desenvolvimentos. Conclusão: Não foi possível estabelecer uma relação confiável entre o valor de PPI e o teor máximo de impurezas permitido (1 % m/m) realizando-se medidas direta do café, sem preparo da amostra. A faixa granulométrica dos cafés (distribuição da moagem) foi uma das causas dessa flutuação. Sugere-se em próximas etapas o preparo de amostra para minimizar o efeito de granulometria ou o desenvolvimento de modelos para serem utilizados de forma sequencial, por exemplo, um primeiro modelo que preveja a granulometria, seguido de outro modelo que informe a impureza para aquela granulometria.

PDF

Referências

PASQUINI, C. Near infrared spectroscopy: a mature analytical technique with new perspectives – a review. Analytica Chim. Acta, n.1026, p. 8–36, 2018. DOI: https://doi.org/10.1016/j.aca.2018.04.004.

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Copyright (c) 2023 Cristiane Vidal, Célio Pasquini

Downloads

Não há dados estatísticos.