Modelagem para estimativa da umidade dos cones de lúpulo por meio de processamento de imagens e sons

Abstract

A qualidade final do lúpulo é fortemente influenciada pelo processo de secagem, etapa fundamental para a preservação de seus compostos bioativos. No entanto, o monitoramento da umidade ao longo da secagem ainda é um desafio, pois os métodos tradicionais de determinação são demorados e pouco automatizáveis. Dessa forma, objetivou-se com esta tese desenvolver, avaliar e comparar modelos estatísticos e de aprendizado de máquinas para predição da umidade dos cones de lúpulo durante o processo de secagem por meio de processamento de áudio e imagem, tendo como fonte de dados equipamentos acessíveis a produtores rurais e pesquisadores. Para isso, foram coletados dados de imagem e áudio ao longo do processo de secagem, e extraídas as características visuais e acústicas das amostras com diferentes umidades. As variáveis processadas foram avaliadas e selecionadas utilizando análise de componentes principais, matriz de correlação e agrupamento hierárquico. Posteriormente, foram treinados e avaliados modelos de Machine Learning, incluindo Partial Least Squares (PLS), Random Forest (RF), Support Vector Machines (SVM) e Extreme Gradient Boosting (XGBoost) em diferentes bases de dados. As análises revelaram que os modelos treinados com dados de áudio apresentaram melhor desempenho geral, com destaque para o XGBoost (RMSE = 11,62%; MAE =9,37%; R² = 0,70; incerteza média de 11,6%). Os modelos baseados em imagem tiveram desempenho inferior, enquanto a abordagem combinada (áudio + imagem) proporcionou leve ganho em relação ao uso isolado de som. Apesar de os resultados ainda não serem aplicáveis diretamente em campo, devido a incerteza da predição, eles estabelecem uma base metodológica robusta e indicam que é possível alcançar sistemas preditivos eficientes e de baixo custo para uso prático na agricultura. Além da secagem do lúpulo, os métodos desenvolvidos mostram potencial para diversas aplicações agrícolas, como avaliação de maturação de frutos, bem-estar animal, ergonomia ocupacional e manutenção preditiva de máquinas.

The final quality of hops is strongly influenced by the drying process, a key step in preserving its bioactive compounds. However, monitoring moisture content while drying remains a challenge, as traditional determination methods are time-consuming and not easily automatable. Therefore, this thesis aimed to develop, evaluate, and compare statistical and machine learning models for predicting the moisture content of hop cones during drying, using audio and image processing based on data collected with equipment accessible to farmers and researchers. To this end, audio and image data were collected throughout the drying process, and visual and acoustic features were extracted from samples at different moisture levels. The processed variables were evaluated and selected using principal component analysis, correlation matrices, and hierarchical clustering. Subsequently, machine learning models, including Partial Least Squares (PLS), Random Forest (RF), Support Vector Machines (SVM), and Extreme Gradient Boosting (XGBoost), were trained and evaluated on different datasets. The analyses revealed that the models trained with audio data achieved the best overall performance, with XGBoost standing out (RMSE = 11.62%; MAE = 9.37%; R² = 0.70; average moisture uncertainty of 11.6%). Image-based models showed inferior performance, while the combined approach (audio + image) provided a slight improvement over audio alone. Although the results are not yet applicable in the field due to prediction uncertainty, they establish a robust methodological foundation and suggest the feasibility of developing efficient and low-cost predictive systems for practical use in agriculture. Beyond hop drying, the proposed methods show potential for various agricultural applications, such as fruit ripeness assessment, animal welfare monitoring, occupational ergonomics, and predictive maintenance of agricultural machinery.