Previsão de Sólidos Solúveis Totais e pH de Frutos de Morango Usando Espaços de Cor RGB, HSV e HSL e Modelos de Aprendizado de Máquina

A determinação das qualidades internas, como sólidos solúveis totais (SST) e pH, é uma preocupação primordial no cultivo de morangos. Portanto, o principal objetivo do presente estudo foi desenvolver uma abordagem não destrutiva com algoritmos de aprendizado de máquina para prever SST e pH de morangos. Seiscentas amostras (100 amostras em cada estágio de maturação) em seis estágios de maturação foram coletadas aleatoriamente para medir as características biométricas, ou seja, comprimento, diâmetros, peso e valores de SST e pH. Uma imagem de cada fruto de morango foi capturada para extração de características de cor utilizando uma técnica de processamento de imagem. Os canais de cada espaço de cor (RGB, HSV e HSL) foram usados como variáveis de entrada para desenvolver modelos de regressão linear múltipla (RLM) e regressão de máquina de vetor de suporte (RMVS). O resultado do estudo indicou que o modelo RMVS com espaço de cor HSV teve um desempenho ligeiramente melhor que o modelo RLM para a previsão de SST e pH. O modelo RMVS baseado em HSV poderia explicar um máximo de 84,1% e 79,2% para SST e 78,8% e 72,6% para pH das variações nos dados medidos e previstos nas etapas de treinamento e teste, respectivamente. Experimentos adicionais precisam ser realizados com diferentes cultivares de morango para a previsão de mais qualidades internas, juntamente com a melhoria do desempenho do modelo.