Banca de DEFESA: JASCIANE DA SILVA ALVES

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JASCIANE DA SILVA ALVES
DATA : 25/02/2026
HORA: 08:30
LOCAL: Online
TÍTULO:

PREDIÇÃO E DETECÇÃO DE DESORDENS FISIOLÓGICAS E ANTRACNOSE EM MANGAS USANDO MÁQUINAS DE APRENDIZAGEM E ESPECTROSCOPIA VIS-NIR

PALAVRAS-CHAVES:

Colletotrichum; desordens fisiológicas; espectroscopia; controle de qualidade.

PÁGINAS: 87
RESUMO:

A manga é um fruto altamente perecível e particularmente suscetível a patologias pós-colheita, como a antracnose e os distúrbios fisiológicos, que representam importantes obstáculos à produção e à comercialização, resultando em elevadas perdas econômicas. Uma característica comum a essas condições é o fato de os sintomas se manifestarem apenas após a colheita, durante o amadurecimento dos frutos, o que dificulta a detecção precoce e o manejo adequado. Nesse contexto, este estudo teve como objetivo desenvolver metodologias não destrutivas baseadas em espectroscopia Vis-NIR associada a algoritmos de aprendizado de máquina para a detecção e a predição de distúrbios fisiológicos e antracnose em mangas. No primeiro experimento, foi desenvolvida uma abordagem para a detecção não destrutiva de distúrbios fisiológicos internos (corte negro, tecido esponjoso, semente gelatinosa e nariz mole) utilizando espectros Vis-NIR de frutos intactos de três cultivares. Os espectros foram adquiridos na colheita e após o armazenamento, e a incidência dos distúrbios foi confirmada por avaliação visual após o corte longitudinal dos frutos. Modelos baseados em diferentes algoritmos de aprendizado de máquina (J48, Random Forest, Multilayer Perceptron, SMO e LibSVM) foram avaliados por validação cruzada. A discriminação entre frutos saudáveis e frutos com distúrbios foi alcançada com acurácia variando de 72,3% a 97,0% para espectros coletados na colheita e de 63,7% a 96,2% para espectros coletados após o amadurecimento. Para os espectros coletados na colheita, os melhores resultados foram obtidos com RF e MLP para corte negro, J48 para tecido esponjoso e LibSVM para nariz mole e semente gelatinosa. Para os espectros de frutos armazenados, o melhor desempenho foi observado com SMO para semente gelatinosa e tecido esponjoso, e com RF para nariz mole e corte negro. No segundo experimento, a espectroscopia Vis-NIR foi aplicada para a detecção da antracnose em estágio de infecção latente e para a quantificação da severidade dos sintomas em mangas da cultivar ‘Palmer’. Os frutos foram inoculados com uma suspensão de conídios de Colletotrichum sp. (1 × 10⁶ conídios mL⁻¹), e os espectros (330–1100 nm) foram adquiridos diariamente durante cinco dias consecutivos. Modelos de classificação foram desenvolvidos para discriminar frutos sadios de frutos inoculados, porém assintomáticos, e modelos de regressão foram ajustados para a predição do tamanho da lesão em frutos sintomáticos, utilizando a faixa espectral de 420–1050 nm. Oito algoritmos de classificação e cinco de regressão foram avaliados, com destaque para Random Forest, que apresentou o melhor desempenho, alcançando 93,8% de acurácia no treinamento e 88,2% no teste para a detecção de frutos assintomáticos, além de coeficientes de determinação (R²) superiores a 0,7 na predição da severidade da doença. De forma geral, os resultados demonstram que a espectroscopia Vis-NIR associada ao aprendizado de máquina é uma ferramenta promissora para a detecção precoce e não destrutiva de distúrbios fisiológicos e antracnose em mangas, contribuindo para o monitoramento da qualidade dos frutos e para a redução de perdas na cadeia produtiva.

MEMBROS DA BANCA:
Externa à Instituição - ANDREIA HANSEN OSTER
Interna - 1199771 - CRISTINA MARIA DE SOUZA MOTTA
Externo à Instituição - EBENÉZER DE OLIVEIRA SILVA
Presidente - 1171216 - EDERSON AKIO KIDO
Interna - 1736206 - GLAUCIA MANOELLA DE SOUZA LIMA GOMES