期刊名称：Revista Brasileira de Engenharia Agrícola e Ambiental
印刷版ISSN：1415-4366
电子版ISSN：1807-1929
出版年度：2018
卷号：22
期号：5
页码：366-370
DOI：10.1590/1807-1929/agriambi.v22n5p366-370
出版社：Departamento de Engenharia Agrícola - UFCG / Cnpq
摘要：RESUMO A qualidade do café é um aspecto imprescindível para o aumento do seu valor comercial e para que a cafeicultura brasileira continue com destaque no mercado mundial. O estádio de maturação dos frutos no momento da colheita é um dos fatores importantes que interfere na qualidade e no valor comercial do produto. Com a realização deste trabalho, objetivou-se desenvolver um classificador para determinação do momento de colheita do café pela força de desprendimento. A força de desprendimento dos frutos e o valor percentual do estádio de maturação foram mensurados durante a janela de colheita de 75 dias. As coletas foram realizadas quinzenalmente, resultando em cinco momentos distintos no período de colheita. Um classificador foi desenvolvido a partir de redes neurais para distinguir frutos verdes e cerejas nos momentos de colheita analisados. Os resultados demostraram que a primeira quinzena de junho foi o momento em que o classificador supervisionado apresentou a maior porcentagem de acerto na distinção de frutos verdes e cerejas, sendo este, o momento adequado para realização de uma colheita seletiva para as condições deste experimento.
其他摘要：ABSTRACT Coffee quality is an essential aspect to increase its commercial value and for the Brazilian coffee business to remain prominent in the world market. Fruit maturity stage at harvest is an important factor that affects the quality and commercial value of the product. Therefore, the objective of this study was to develop a classifier using neural networks to distinguish green coffee fruits from mature coffee fruits, based on the detachment force. Fruit detachment force and the percentage value of the maturity stage were measured during a 75-day harvest window. Collections were carried out biweekly, resulting in five different moments within the harvest period. A classifier was developed using neural networks to distinguish green fruits from mature fruits in the harvest period analyzed. The results show that, in the first half of June, the supervised classified had the highest success percentage in differentiating green fruits from mature fruits, and this period was considered as ideal for a selective harvest under these experimental conditions.
