Banca de QUALIFICAÇÃO: JASCIANE DA SILVA ALVES

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JASCIANE DA SILVA ALVES
DATA : 26/05/2025
LOCAL: Sessão Online
TÍTULO:

PREDIÇÃO E DETECÇÃO DE DOENÇAS BIÓTICAS E ABIÓTICAS EM MANGAS USANDO MÁQUINAS DE APRENDIZAGEM E ESPECTROSCOPIA VIS-NIR

PALAVRAS-CHAVES:

antracnose; desordens fisiológicas; espectroscopia; inteligência
artificial.

PÁGINAS: 62
RESUMO:

A manga é um fruto altamente perecível, sendo particularmente suscetível a patologias pós-colheita, como a antracnose, e os distúrbios fisiológicos. Essas condições representam sérios obstáculos à produção e comercialização do fruto, resultando em altas perdas. Uma característica comum entre a antracnose e as desordens fisiológicas é que, em ambos os casos, os sintomas só se tornam visíveis após a colheita, durante o amadurecimento dos frutos. No caso da antracnose, o patógeno permanece em estado quiescente na casca até que o fruto apresente características que favoreçam o desenvolvimento da doença. Já as desordens fisiológicas se desenvolvem internamente e seus sintomas só são perceptíveis após o corte do fruto. A predição e o controle precoce dessas doenças representam um grande desafio para a indústria de frutas, especialmente em regiões tropicais, onde a cultura da manga possui elevada relevância econômica. Nesse contexto, a espectroscopia na região do visível ao infravermelho próximo (Vis-NIR) surge como uma alternativa promissora por ser uma técnica prática, rápida, precisa e não destrutiva. Diante disso, esse estudo tem como objetivo desenvolver uma metodologia baseada na aplicação da espectroscopia Vis-NIR, associada a algoritmos de aprendizado de máquina, para viabilizar a detecção e a predição de doenças bióticas e abióticas em mangas produzidas no Vale do São Francisco. No primeiro estudo, espectros na região do visível ao infravermelho próximo (Vis-NIR) foram obtidos de mangas saudáveis e com sintomas de distúrbios fisiológicos — incluindo corte negro, tecido esponjoso, semente gelatinosa e nariz mole — tanto no momento da colheita quanto após o armazenamento refrigerado a 12 °C (±1 °C). No segundo estudo, amostras de frutos saudáveis e frutos artificialmente inoculados com Colletotrichum sp. também foram analisadas, os dados espectrais encontram-se em processo de avaliação, juntamente com a caracterização molecular do patógeno para identificação em nível de espécie. Para a detecção dos distúrbios fisiológicos, cinco algoritmos de aprendizado de máquina foram testados: J48, Random Forest (RF), Multilayer Perceptron (MLP), e dois métodos baseados em máquinas de vetor de suporte (Support Vector Machine) — Sequential Minimal Optimization (SMO) e LibSVM. Os modelos gerados foram validados por meio de validação cruzada. A acurácia para diferenciar frutos saudáveis daqueles com distúrbios fisiológicos variou entre 72,3% e 97,0% utilizando espectros obtidos na colheita, e entre 63,7% e 96,2% com espectros obtidos após o armazenamento, quando os frutos atingiram o ponto de consumo (firmeza da polpa ≤15 N). Nenhum algoritmo demonstrou desempenho consistentemente superior em todos os cenários avaliados. Na colheita, os melhores resultados foram observados com RF e MLP na detecção de corte negro, J48 para tecido esponjoso e LibSVM para semente gelatinosa e nariz mole. Após o armazenamento, RF manteve melhor desempenho para corte negro e nariz mole, enquanto SMO foi mais eficaz na identificação de tecido esponjoso e semente gelatinosa. Um modelo unificado, que considerou todas as classes de distúrbios fisiológicos simultaneamente, apresentou acurácia reduzida: 62,2% na colheita e 54,2% após o armazenamento. Esses resultados indicam que a detecção precoce, baseada em espectros coletados no momento da colheita, possui potencial para orientar práticas pós-colheita, embalagem e armazemanento, visando reduzir a incidência e evitar a comercialização de frutas com desordens fisiológicas internas.

MEMBROS DA BANCA:
Externo à Instituição - EBENÉZER DE OLIVEIRA SILVA
Externa à Instituição - ANDREIA HANSEN OSTER
Externa à Instituição - LUANA FERREIRA DOS SANTOS
Presidente - 1199771 - CRISTINA MARIA DE SOUZA MOTTA
Externo ao Programa - 3226717 - VALDIR DE QUEIROZ BALBINO - null