Avaliação não destrutiva da qualidade e classificação de maturidade de nêsperas com base em imagens hiperespectrais

Aug 10, 2023

Scientific Reports volume 13, Artigo número: 13189 (2023) Citar este artigo

140 acessos

Detalhes das métricas

O método tradicional de avaliação da qualidade e maturidade das nêsperas tem desvantagens como amostragem destrutiva e demorado. Neste estudo, a tecnologia de imagem hiperespectral foi usada para prever e visualizar de forma não destrutiva a cor, a firmeza e o conteúdo de sólidos solúveis (SSC) das nêsperas e discriminar a maturidade. Na comparação do desempenho de diferentes métodos de seleção de variáveis ​​​​de características e dos modelos de calibração, os resultados indicaram que os modelos de regressão linear múltipla (MLR) combinados com o algoritmo de reponderação adaptativa competitiva (CARS) produziram o melhor desempenho de previsão para a qualidade da nêspera. Particularmente, modelos CARS-MLR com ótimo desempenho de predição foram obtidos para cor (R2P = 0,96, RMSEP = 0,45, RPD = 5,38), firmeza (R2P = 0,87, RMSEP = 0,23, RPD = 2,81) e SSC (R2P = 0,84). , RMSEP = 0,51, RPD = 2,54). Posteriormente, foram obtidos mapas de distribuição de cor, firmeza e SSC de nêsperas com base nos modelos CARS-MLR ideais combinados com tecnologia de pseudo-cor. Finalmente, na comparação de diferentes modelos de classificação para maturidade de nêspera, o modelo de análise de discriminação de mínimos quadrados parciais demonstrou o melhor desempenho, com precisões de classificação de 98,19% e 97,99% para conjuntos de calibração e predição, respectivamente. Este estudo demonstrou que a técnica de imagem hiperespectral é promissora para avaliação da qualidade e classificação da maturidade da nêspera.

A nêspera (Eriobotrya japonica Lindl.) é uma árvore frutífera perene da família Rosaceae, e seu fruto é utilizado como medicamento e alimento de dupla finalidade e é cultivado na China há mais de 2.000 anos1. É usado para limpar a faringe, umedecer os pulmões, aliviar a tosse e diminuir o catarro2. O padrão de amadurecimento das nêsperas é semelhante ao dos frutos climatéricos. Se colhido muito cedo, terá polpa dura e sabor suave. Como as nêsperas têm um metabolismo fisiológico pós-colheita ativo, elas são suscetíveis à perda de água e nutrientes e ao apodrecimento se colhidas tardiamente3,4. A qualidade da fruta tem impacto direto no seu valor comercial. A cor, a firmeza e o teor de sólidos solúveis (SSC) são características importantes das nêsperas e são parâmetros-chave para avaliar o seu sabor e maturidade5. Portanto, a detecção de nêsperas pós-colheita é crucial.

No entanto, os métodos de determinação tradicionais têm a desvantagem da amostragem destrutiva e não são adequados para detecção online. Nos últimos anos, técnicas de imagem hiperespectral (HSI), que combinam informações de imagens bidimensionais com informações espectrais unidimensionais, têm sido amplamente utilizadas para avaliar a qualidade e maturidade dos frutos. O HSI tem sido utilizado para determinar múltiplos indicadores (SSC, firmeza, etc.) de frutas, incluindo ameixas6, cerejas7, peras8, pêssegos9 e melões10. Extensos estudos foram realizados para prever a qualidade e a maturação dos frutos. Wei et al.11 utilizaram o HSI para classificar a maturação e prever a firmeza dos caquis. Munera et al.12 utilizaram o índice de qualidade interna e maturidade para avaliar os atributos físico-químicos internos e a percepção sensorial das nectarinas ‘Big Top’ e ‘Magique’. A proporção de sólidos solúveis totais (SST) para acidez titulável (AT) foi usada como um índice de maturação do abacaxi para analisar os efeitos da espectroscopia de infravermelho próximo de comprimento de onda curto de transmitância e imagem hiperespectral de refletância no infravermelho próximo na previsão da maturação do abacaxi usando o mesmo procedimento e modelo, respectivamente13. Benelli et al.14 investigaram o potencial do uso do HSI diretamente no campo por meio de medições proximais sob condições de luz natural para prever a época de colheita da uva tinta 'Sangiovese'. Eles dividiram as amostras de uva em duas classes com base no valor de referência do SSC e estabeleceram modelos para prever o SSC e reconhecer os estágios de maturação, respectivamente. Zhang et al.15 combinaram HSI com máquina de vetores de suporte (SVM) para avaliar a maturação de morangos. Os resultados indicaram que o modelo SVM teve o melhor desempenho, com precisão de classificação superior a 85%.