Se trata de un método desarrollado en Brasil que se concreta directamente en los granos verdes en tiempo real, sin pasar por el proceso de la torrefacción para clasificar y sin destrucción de las muestras. Y puede añadírselo como una etapa del proceso productivo (imagen multiespectral basada en reflectancia y autofluorescencia procesada con modelos matemáticos (algoritmos)/Winston Pinheiro Claro Gomes)

Imágenes multiespectrales e inteligencia artificial para separar cafés especiales y tradicionales
01-09-2022
PT EN

Se trata de un método desarrollado en Brasil que se concreta directamente en los granos verdes en tiempo real, sin pasar por el proceso de la torrefacción para clasificar y sin destrucción de las muestras. Y puede añadírselo como una etapa del proceso productivo

Imágenes multiespectrales e inteligencia artificial para separar cafés especiales y tradicionales

Se trata de un método desarrollado en Brasil que se concreta directamente en los granos verdes en tiempo real, sin pasar por el proceso de la torrefacción para clasificar y sin destrucción de las muestras. Y puede añadírselo como una etapa del proceso productivo

01-09-2022
PT EN

Se trata de un método desarrollado en Brasil que se concreta directamente en los granos verdes en tiempo real, sin pasar por el proceso de la torrefacción para clasificar y sin destrucción de las muestras. Y puede añadírselo como una etapa del proceso productivo (imagen multiespectral basada en reflectancia y autofluorescencia procesada con modelos matemáticos (algoritmos)/Winston Pinheiro Claro Gomes)

 

Por Karina Ninni  |  Agência FAPESP – El proceso de selección de granos de café especiales requiere de tres tipos de verificación –dos físicas, en muestras de café crudo y torrado, y una sensorial, obtenida mediante la cata de la bebida–, antes de su certificación a cargo de la Specialty Coffee Association of America (SCAA).  

De acuerdo con los preceptos de la SCAA, la calidad del café se cuantifica mediante la aplicación de una escala decimal que va de 0 a 100 puntos: a los que obtienen más de 80 puntos se los considera especiales. En cada lote, el productor separa muestras granos aún no torrados y se las envía a tres evaluadores. Estos torran los granos, preparan la infusión (mediante procesos estandarizados por la SCAA) y emiten dictámenes. 

Pero un grupo conformado por científicos brasileños del Centro de Energía Nuclear en la Agricultura (CENA) y de la Escuela Superior de Agricultura Luiz de Queiroz (ESALQ), ambos de la Universidad de São Paulo (USP), y del Centro de Computación de la Universidad Federal de Pernambuco (UFPE), desarrolló un método destinado a la selección de granos de café con base en el uso de imágenes multiespectrales y machine learning. Este proceso no requiere de torrefacción, puede efectuarse en tiempo real durante el proceso productivo y evita posibles fallas humanas en el análisis; pero depende de contar con equipos caros. El artículo que hace referencia a este nuevo método se publicó recientemente en la revista Computers and Electronics in Agriculture

“Cuando se trata de cafés especiales, suelen recogerse fruto por fruto. Es decir, solamente se retiran los frutos cereza. Con todo, si el productor de café especial cosecha frutos verdes, o aplica en algún momento la cosecha plena (manual y/o mecanizada), esta práctica puede resultar en un café tradicional”, explica Winston Pinheiro Claro Gomes, doctorando del Programa de Posgrado en Ciencia en el área de Química del CENA-USP y primer autor del trabajo, dirigido por Wanessa Melchert Mattos y codirigido por Clíssia Barboza da Silva

“Con nuestro método, separamos entre los granos considerados especiales y los tradicionales mediante la aplicación de una técnica que acopla imágenes multiespectrales a modelos matemáticos (algoritmos) que procesan los datos que suministran las imágenes. Pero un café especial va de 80 a 100 puntos. Nuestro modelo no logra determinar si los granos son 80 o 90. Sería necesario contar con muestras de cada una de las puntuaciones para especificar esas categorías en un modelo matemático y hacer factible entonces el aprendizaje de la máquina.” 

Este trabajo se concretó en el marco de una Ayuda de Investigación − Jóvenes Investigadores, cuya responsable es una de las autoras del artículo, Clíssia Barboza da Silva, y de una Ayuda de Investigación – Regular, de la cual es responsable otra de las autoras del artículo, Wanessa Melchert Mattos.

Una metodología multiespectral

El equipo utilizó una técnica de imágenes multiespectrales (MSI) basada en reflectancia y autofluorescencia. Esta comprende la captura de un conjunto de imágenes de la misma región espacial en diferentes longitudes de onda. Posteriormente se utilizó un modelo de machine learning para clasificar los granos de acuerdo con la información obtenida a través de las imágenes.

“La adopción de la técnica de MSI es muy reciente en la industria cafetalera. Es más común en el mapeo de nitrógeno en los cafetales, en la detección de necrosis en los granos o de plagas y enfermedades durante el cultivo, tal como lo muestra la literatura al respecto”, dice Pinheiro Claro Gomes. 

Este estudio se realizó con 16 muestras verdes de granos de café especiales y tradicionales de los estados de Minas Gerais y de São Paulo. Diez de las muestras de granos especiales (Coffea arabica) eran de la cosecha 2016-2017, obtenidas en la región de Alta Mogiana, y analizadas en el concurso de calidad del café de Alta Mogiana en 2017, suministradas por la Asociación de Productores de Cafés Especiales de la zona. Las seis muestras restantes se extrajeron de cafés tradicionales adquiridos a granel en un mercado local. 

Por cada muestra, se separaron 64 granos aleatoriamente, sin tratamiento previo, lo que totalizó 1024 granos (384 tradicionales y 640 especiales). Estas muestras se emplearon para calibrar, validar y efectuar la prueba de machine learning

“Ponemos los granos en la placa de Petri y los insertamos en el aparato en forma de esfera con ledes, filtros ópticos y una cámara que desciende sobre las muestras, las cubre completamente y realiza la captura de las imágenes luego de la iluminación homogénea y difusa en distintas longitudes de onda. En primer lugar, se capturaron imágenes de reflexión monocromática (reflectancia). Luego se capturaron imágenes de autofluorescencia. Así extrajimos la información referente a las áreas de interés en el software del aparato. Esta información se aplicó en el diseño de los modelos matemáticos (algoritmos) de clasificación de las muestras y así nos suministraron el resultado”, simplifica Pinheiro Claro Gomes. 

Luego se efectuó análisis de componentes principales (ACP) para investigar las variables que influyen en la diferenciación entre cafés especiales y tradicionales. Y se aplicaron cuatro algoritmos distintos, de los cuales la máquina de vectores de soporte (SVM, en inglés) se mostró como el más indicado; y se lo utilizó entonces para calcular los coeficientes de evaluación de las variables más importantes.

La fluorescencia 

En las imágenes RGB, la franja visible al ojo humano, se notó que los granos especiales exhibieron una mejor uniformidad en su forma con respecto a los granos tradicionales. Por otra parte, en el tipo de café tradicional las imágenes de autofluorescencia revelaron una mayor intensidad. “Lo que nuestro modelo matemático (el algoritmo) utiliza como información es la intensidad de la señal referente a las imágenes fluorescentes. Puede suceder que un determinado compuesto presente en los granos se excite más en una longitud de onda específica. Una señal de fluorescencia más o menos intensa también puede estar relacionada con la variación de la concentración de un compuesto en los granos de café, por ejemplo. El modelo que elegimos fue el que exhibió el mejor rendimiento para discriminar los granos de cafés entre especiales y tradicionales. En este modelo, la información más importante para la construcción de las fronteras de separación fue la de fluorescencia verde. Por eso decidimos analizar los compuestos individuales que exhiben naturalmente fluorescencia verde, y procuramos asociar algunos compuestos fluorescentes que podrían influir en el proceso de separación para la clasificación del café.”

La fluorescencia verde, un marcador biológico representado por la luz verde de la región del espectro visible, se analizó en 10 compuestos fenólicos, y los datos revelaron que la catequina, la cafeína y ciertos ácidos (p-hidroxibenzoico, sinápico y clorogénico) respondieron intensamente después de excitarse con luz azul de 405 nanómetros, emitiendo energía con una intensidad de señal de 500 nanómetros. Estos datos de autofluorescencia (la combinación excitación/emisión de 405/500 nm) fueron los que más aportaron para diferenciar al café verde especial del tipo tradicional.

“Son especies químicas asociadas a grupos aromáticos que absorben energía relacionada con una longitud de onda específica. De este modo, en métodos basados en autofluorescencia, estas especies químicas pueden ayudar a diferenciar granos de café especiales y tradicionales debido a la variación de sus concentraciones en ambos grupos”, explica Pinheiro Claro Gomes. 

Según el investigador, lo que diferencia característicamente a los cafés especiales con respecto a los tradicionales es precisamente la concentración de estos compuestos. “En el trabajo de maestría estudiamos la composición química de esas muestras, y si bien no había ninguna diferencia en las especies químicas presentes, se registró una variación en las concentraciones de esos compuestos, tales como los ácidos clorogénicos y la cafeína, por ejemplo.” 

Según Pinheiro Claro Gomes, los próximos pasos consistirán en obtener muestras de cada una de las puntuaciones de cafés especiales de la SCAA (cosa que no es fácil) y clasificar los granos según las puntuaciones. “En Brasil, los cafés tienen una puntuación a lo sumo entre 90 y 92. Por arriba de esas puntuaciones es más difícil hallarlos. Cafés con puntuación 100 solamente los hay importados, tal como es el caso de algunos cafés de Etiopía. En la tesis doctoral en desarrollo, estamos buscando efectuar la clasificación mediante el empleo de imágenes de rayos X e incrementando la cantidad de muestras incluyendo las del exterior, de manera tal de ampliar los análisis.”

Puede leerse el artículo intitulado Application of multispectral imaging combined with machine learning models to discriminate special and traditional green coffee en el siguiente enlace: www.sciencedirect.com/science/article/abs/pii/S0168169922004148.
 

  Republicar
 

Republicar

The Agency FAPESP licenses news via Creative Commons (CC-BY-NC-ND) so that they can be republished free of charge and in a simple way by other digital or printed vehicles. Agência FAPESP must be credited as the source of the content being republished and the name of the reporter (if any) must be attributed. Using the HMTL button below allows compliance with these rules, detailed in Digital Republishing Policy FAPESP.