Redes neurais artificiais: nova abordagem para identificação da qualidade da bebida do café arábica utilizando-se resultados de análises químicas

Abstract

Este trabalho foi realizado com o objetivo de avaliar a utilização de rede neural artificial para correlacionar os valores resultantes da análise sensorial com os das análises químicas de amostras de café, com vistas à classificação da bebida de café. As amostras de café utilizadas são referentes ao café Coffea arabica L., cultivares Acaiá do Cerrado, Topázio, Catuaí vermelho 99, Acaiá 474-19 e Bourbon, coletadas na região Sul do Estado de Minas Gerais, com processamento pós-colheita controlado. As análises químicas utilizadas foram de açúcar não redutor, açúcar redutor, acidez titulável total, condutividade elétrica, lixiviação de potássio e polifenóis. A qualidade da bebida do café foi avaliada pela análise sensorial. A regressão linear múltipla dos valores de análise sensorial em função dos valores das análises químicas teve coeficiente de determinação igual a 0,6681, enquanto o método de rede neural artificial empregado obteve um nível de acerto na classificação dos valores da análise sensorial em torno de 85%. A rede neural artificial obtida foi testada com amostras de café coletadas em propriedades da mesma região, com processamento pós-colheita sem controle, obtendo acerto de 75% na classificação da bebida. O resultado obtido é indicador de que o método de rede neural artificial é uma ferramenta adequada para correlacionar os valores resultantes da análise sensorial com os das análises químicas.

The present study was performed with the objective of evaluating the utilization of an artificial neural network to correlate results from sensorial analysis with the chemical analysis of coffee samples. The coffee samples utilized belonged to the coffee plant Coffea arabica L., cultivars Acaiá do Cerrado, Topázio, Catuaí vermelho 99, Acaiá 474-19 and Bourbon, collected in the southern region of Minas Gerais State, Brazil, with controlled post-harvest processing. Performed chemical analyses were those of non-reducing sugars, reducing sugars, total titratable acidity, electrical conductivity, leaching of potassium and polyphenols. Coffee quality was evaluated by the sensorial analysis. The multiple linear regression fits of the experimental data from sensorial analysis as a function of the data from the chemical analysis presented a determination coefficient of 0.6681, while the employed artificial neural network reached a classification success rate of, approximately, 85% for the values of sensorial analysis. The artificial neural network obtained was tested with coffee samples collected from properties in the same region, with uncontrolled postharvest processing, reaching a 75% success rate for drink classification. The obtained result is an indicator that the artificial neural network is a suitable tool to correlate results from sensorial analysis with the chemical analysis.