Método baseado em inteligência artificial permite separar cafés especiais e tradicionais antes da torra

O processo de seleção de grãos de café especiais exige três tipos de verificação – duas físicas, em amostras de café cru e torrado, e uma sensorial, obtida pela degustação da bebida. Todas essas etapas são necessárias para obter o certificado da Speciality Coffee Association of America (SCAA).

De acordo com os preceitos da SCAA, a qualidade do café é quantificada por meio de uma escala decimal de 0 a 100 pontos: os que ganham acima de 80 pontos são considerados especiais. A cada lote, o produtor separa amostras do grão ainda não torrado e envia para três avaliadores. Eles torram o grão, fazem a bebida (com técnicas padronizadas pela SCAA) e emitem laudos.

Mas um grupo formado por cientistas do Centro de Energia Nuclear na Agricultura (Cena) e da Escola Superior de Agricultura Luiz de Queiroz (Esalq), ambos da Universidade de São Paulo (USP), e do Centro de Computação da Universidade Federal de Pernambuco (UFPE) desenvolveu um método para seleção de grãos com base no uso de imagens multiespectrais e machine learning. O processo dispensa a torra, pode ser realizado em tempo real durante o processo produtivo e evita possíveis falhas humanas na avaliação, ainda que dependa de equipamentos caros.

O artigo que descreve o novo método foi publicado na revista Computers and Electronics in Agriculture.

“No caso de cafés especiais, muitas vezes se colhe fruto a fruto. Então, só são retirados os frutos cereja. Mas, se o produtor de café especial colhe os frutos verdes, ou usa em algum momento colheita plena [manual e/ou mecanizada], essa prática pode resultar em um café tradicional”, explica Winston Pinheiro Claro Gomes, doutorando no Cena-USP e primeiro autor do estudo.

“Em nosso método, separamos o grão considerado especial do tradicional por uma metodologia que acopla imagem multiespectral a modelos matemáticos [algoritmos], que processam os dados fornecidos pelas imagens. Porém, um café especial vai de 80 a 100 pontos. E nosso modelo não consegue dizer se o grão é um escore 80 ou um 90. Seria preciso ter as amostras de cada uma das pontuações para especificar essas categorias para o modelo matemático e viabilizar o aprendizado da máquina”, comenta Gomes.

Apoiado pela FAPESP por meio de dois projetos (17/15220-7 e 18/24029-1), o trabalho foi orientado pelas professoras Wanessa Melchert Mattos e coorientado por Clíssia Barboza da Silva.

Metodologia

A equipe utilizou a técnica de imagem multiespectral (MSI) baseada em reflectância e autofluorescência. O método envolve a captura de um conjunto de imagens da mesma região espacial em diferentes comprimentos de onda. Posteriormente, foi empregado um modelo de machine learning para classificar os grãos segundo as informações obtidas por meio das imagens.

“A adoção da técnica de MSI é muito recente na indústria cafeeira, sendo mais comum para mapeamento de nitrogênio em cafezais, detecção de necrose em grãos ou de pragas e doenças durante o cultivo, como demonstra a literatura a respeito”, diz Gomes.

O estudo foi realizado com 16 amostras de grãos de café verdes, especiais e tradicionais, dos Estados de Minas Gerais e de São Paulo. Dez amostras de grãos especiais (Coffea arabica) eram da safra 2016/17, obtidas na Região da Alta Mogiana e avaliadas no concurso Qualidade do Café Alta Mogiana em 2017, sendo fornecidas pela Associação dos Produtores de Cafés Especiais da Região da Alta Mogiana. As seis amostras restantes foram retiradas de cafés tradicionais adquiridos a granel em um mercado local.

Para cada amostra, 64 grãos foram separados aleatoriamente, sem tratamento prévio, totalizando 1.024 grãos (384 tradicionais e 640 especiais). Essas amostras foram usadas para calibração, validação e teste do machine learning.

“Colocamos os grãos na placa de Petri e inserimos no equipamento em forma de esfera contendo LEDs, filtros ópticos e uma câmera, que desce sobre as amostras, cobrindo-as inteiramente, e realiza a captura das imagens após iluminação homogênea e difusa em diferentes comprimentos de onda. Primeiro, foram capturadas imagens de reflexão monocromática [reflectância]. A seguir, foram capturadas imagens de autofluorescência. Então, extraímos as informações referentes às regiões de interesse no software do equipamento, que foram utilizadas para a construção dos modelos matemáticos que classificaram as amostras e nos forneceram o resultado”, explica Gomes.

Em seguida foi realizada uma análise de componentes principais (PCA) para investigar as variáveis que influenciam a diferenciação entre cafés especiais e tradicionais. E, então, foram aplicados quatro diferentes algoritmos. O que se mostrou mais indicado (conhecido como máquina de vetores de suporte) foi utilizado para calcular os coeficientes para avaliação das variáveis mais importantes.

Fluorescência

Nas imagens RGB, a faixa visível ao olho humano, notou-se que os grãos especiais apresentaram maior uniformidade na forma do que os grãos tradicionais. Por outro lado, na classe de café tradicional as imagens de autofluorescência revelaram maior intensidade.

“O que o nosso modelo matemático utiliza de informações é a intensidade de sinal relativo às imagens fluorescentes. Pode acontecer que determinado composto presente no grão seja mais excitado em um comprimento de onda específico. Um sinal de fluorescência mais ou menos intenso também pode estar relacionado à variação da concentração de um composto no grão de café, por exemplo. O modelo que escolhemos foi o que mostrou melhor desempenho para discriminar os grãos de cafés em especiais e tradicionais. Nesse modelo, as informações mais importantes para construção das fronteiras de separação foram as de fluorescência verde. Então, decidimos analisar os compostos individuais que apresentam naturalmente fluorescência verde e tentamos associar alguns compostos fluorescentes que poderiam influenciar o processo de separação para a classificação do café.”

A fluorescência verde, um marcador biológico representado pela luz verde da região do espectro visível, foi analisada para dez compostos fenólicos e os dados revelaram que a catequina, a cafeína e determinados ácidos (4-hidroxibenzoico, sinápico e clorogênico) responderam intensamente após se excitarem com luz azul de 405 nanômetros, emitindo energia com intensidade de sinal de 500 nanômetros. Esses dados de autofluorescência (combinação excitação/emissão de 405/500 nm) foram os que mais contribuíram para discriminar o café verde especial da classe tradicional.

“São espécies químicas associadas a grupos aromáticos que absorvem energia relacionada a um comprimento de onda específico. Assim, em métodos baseados em autofluorescência, essas espécies químicas podem ajudar a discriminar grãos de café especiais e tradicionais devido à variação de suas concentrações nos dois grupos”, explica Gomes.

Segundo ele, o que diferencia caracteristicamente os cafés especiais dos tradicionais são justamente as concentrações desses compostos. “No trabalho de mestrado estudamos a composição química dessas amostras, e, embora não houvesse nenhuma diferença nas espécies químicas presentes, ocorreu variação nas concentrações desses compostos, como, por exemplo, ácidos clorogênicos e cafeína.”

Os próximos passos, segundo Gomes, implicam conseguir amostras de cada uma das pontuações de cafés especiais da SCAA (o que não é fácil) e classificar os grãos pelas pontuações. “No Brasil, os cafés têm pontuação no máximo entre 90 e 92, acima dessas pontuações são mais difíceis de encontrar. Café com pontuação 100 somente importado, como é o caso de alguns cafés da Etiópia. Na tese de doutorado em desenvolvimento, estamos buscando fazer a classificação usando imagens de raios X e aumentando o número de amostras, incluindo as do exterior para conseguirmos ampliar as análises.”

O artigo Application of multispectral imaging combined with machine learning models to discriminate special and traditional green coffee pode ser acessado aqui.