Het proces van het selecteren van speciale koffiebonen omvat drie soorten inspecties. Twee zijn fysiek en hebben betrekking op monsters van rauwe en gebrande koffie. De derde is zintuiglijk en omvat het proeven van de drank. Certificering wordt geleverd door de Specialty Coffee Association of America (SCAA).

In overeenstemming met de SCAA-richtlijnen wordt de koffiekwaliteit gemeten op een decimale schaal van nul tot 100. Een koffiespecialiteit moet 80 of meer scoren. De teler stuurt een monster van rauwe bonen naar drie cuppers (proevers), die van elke batch koffie branden en zetten, opnieuw in overeenstemming met de SCAA-normen, alvorens een rapport uit te brengen.

Braziliaanse wetenschappers van het Centre for Nuclear Energy in Agriculture (CENA-USP) van de Universiteit van São Paulo, in samenwerking met collega's van het Luiz de Queiroz College of Agriculture (ESALQ-USP) en het computercentrum van de Federale Universiteit van Pernambuco (UFPE) , hebben een methode voor het selecteren van koffiebonen ontwikkeld op basis van multispectrale beeldvorming en machine learning. De methode hoeft niet te worden gebrand en kan tijdens het productieproces in realtime worden uitgevoerd. Het vermijdt mogelijke menselijke fouten, hoewel het afhankelijk is van dure apparatuur. Een artikel over de nieuwe methode is onlangs gepubliceerd in Computers and Electronics in Agriculture .

"Speciale koffiesoorten worden vaak selectief geoogst, wat inhoudt dat alleen de rijpe rode kersen worden geplukt. Ze worden individueel met de hand geoogst. Als een koffiespecialiteit sperziebonen oogst of op enig moment strokenplukt, handmatig en/of gemechaniseerd, is deze procedure kan resulteren in een standaard commerciële oogst", zegt Winston Pinheiro Claro Gomes, eerste auteur van het artikel. Gomes is een Ph.D. kandidaat in de chemie bij CENA-USP, met Wanessa Melchert Mattos en Clíssia Barboza da Silva als scriptieadviseurs.

"In onze methode scheiden we bonen die als specialiteit worden beschouwd en standaard commercieel met behulp van een combinatie van multispectrale beeldvorming en wiskundige algoritmen die de gegevens verwerken die door de afbeeldingen worden geleverd", legt Gomes uit. "Speciale koffie moet tussen de 80 en 100 scoren, maar ons model kan niet zeggen of bonen 80 of 90 zijn. Dat zou machinaal leren met monsters voor elke score vereisen om deze categorieën in het wiskundige model te specificeren."

Multispectrale methodologie

Het team gebruikte een multispectrale beeldvormingstechniek (MSI) op basis van reflectie en autofluorescentie, waarbij afbeeldingen van hetzelfde object op verschillende golflengten worden genomen, gevolgd door een machine learning-model om bonen te classificeren op basis van de informatie die uit de afbeeldingen wordt verkregen.

"Het gebruik van MSI in de koffie-industrie is zeer recent. Het wordt meestal gebruikt om stikstof in koffieplantages in kaart te brengen, necrose in bonen te detecteren en plagen en ziekten in planten op te sporen, zoals blijkt uit de literatuur over dit onderwerp," zei Gomes. .

De onderzoekers analyseerden 16 monsters van sperziebonen van speciale en standaard commerciële gewassen die werden geteeld in de staten Minas Gerais en São Paulo. Tien van de speciale koffiebonen (Coffea arabica) waren afkomstig van de oogst 2016/17 in de regio Alta Mogiana. Ze waren beoordeeld in de Alta Mogiana Coffee Contest 2017 en werden geleverd door de regionale vereniging van producenten van speciale koffie. De overige zes monsters zijn genomen van standaard commerciële gewassen die in bulk op de lokale markt zijn gekocht.

Voor elk monster werden 64 bonen zonder voorafgaande behandeling willekeurig gescheiden, wat een totaal opleverde van 1.024 bonen (384 standaard, 640 specialiteit) en gebruikt voor kalibratie, validatie en testen van machine learning.

Gomes vatte de procedure als volgt samen:"We plaatsten de bonen in een petrischaal en stopten deze in het apparaat, een bol met LED's, optische filters en een camera. De camera daalde over de monsters totdat ze volledig bedekt waren en maakte beelden na homogene en diffuse verlichting bij verschillende golflengten. Eerst werden monochrome reflectiebeelden en vervolgens autofluorescentiebeelden genomen, waarna informatie met betrekking tot de interessegebieden werd geëxtraheerd door de ingebouwde software en gebruikt om de algoritmen te bouwen die de monsters classificeerden en ons gaven de resultaten."

Principale componentenanalyse (PCA) werd vervolgens uitgevoerd om de variabelen te onderzoeken die de verschillen tussen speciale en standaardkoffies beïnvloeden. De onderzoekers hebben vier machine learning-algoritmen gebruikt, waarbij de support vector machine (SVM) het beste bleek te zijn en werd gebruikt om coëfficiënten te berekenen voor het schatten van de belangrijkste variabelen.

Fluorescentie

Er werd gezien dat speciale bonen uniformer van vorm waren in de afbeeldingen met het zichtbare spectrum (RGB), terwijl standaardbonen intenser waren in de autofluorescentie-afbeeldingen.

"Ons wiskundig model en algoritmen gebruiken informatie over signaalintensiteit van fluorescentiebeelden. Het kan gebeuren dat een verbinding die in bonen aanwezig is, meer wordt geëxciteerd bij een bepaalde golflengte. Een min of meer intens fluorescentiesignaal kan ook verband houden met variatie in de concentratie van een verbinding in bonen, bijvoorbeeld," zei Gomes.

"Het model dat we kozen was het model dat het beste presteerde bij het onderscheiden van speciale en standaard koffiebonen. In dit model kwam de belangrijkste informatie voor het construeren van scheidingsgrenzen van de groene fluorescentie. We besloten daarom de afzonderlijke verbindingen te analyseren die vertonen van nature groene fluorescentie en probeerden enkele fluorescerende verbindingen te associëren die het scheidingsproces van de koffieclassificatie zouden kunnen beïnvloeden."

Groene fluorescentie, een biologische marker die wordt weergegeven door groen licht in het zichtbare spectrum, werd geanalyseerd op 10 fenolische verbindingen, en de gegevens toonden aan dat catechine, cafeïne en bepaalde zuren (4-hydroxybenzoëzuur, sinapinezuur en chlorogeenzuur) intens reageerden na opgewonden te zijn met blauw licht bij 405 nanometer (nm), energie uitstralend bij 500 nm. Deze autofluorescentiegegevens (excitatie/emissie bij 405/500 nm) droegen het meest bij aan het onderscheiden van sperziebonen van sperziebonen.

"Dit zijn chemische soorten geassocieerd met aromatische groepen die energie absorberen met betrekking tot een specifieke golflengte. Bij op autofluorescentie gebaseerde methoden kunnen variaties in niveaus van deze chemische soorten in speciale en standaardkwaliteiten koffie worden gebruikt om onderscheid te maken tussen de twee groepen," Gomes gezegd.

Verschillen in niveaus van deze verbindingen worden meestal gebruikt om onderscheid te maken tussen speciale en standaard koffiebonen. "Voor mijn masteronderzoek heb ik de chemische samenstelling van deze monsters bestudeerd, en hoewel er geen verschillen waren in chemische soorten, vonden we variaties in hun concentraties, vooral de niveaus van chlorogeenzuur en cafeïne," zei hij.

Next steps, according to Gomes, will entail obtaining samples from each of the SCAA-defined score levels for specialty coffees (no easy task) and classifying the beans according to their scores. "In Brazil, coffees are rated at most 90-92. It's hard to find any higher than that. Only imported coffee, from Ethiopia, for example, scores 100. In my Ph.D. research, I'm attempting to classify beans on the basis of X-ray images, and I've decided to increase the number of samples and the breadth of the analysis by including imported beans," he said. + Verder verkennen

An Android application checks how roasted coffee beans are