Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/48346
Registro completo de metadados
Campo DCValorIdioma
dc.creatorRibeiro, Michele Nayara-
dc.date.accessioned2021-10-07T18:19:33Z-
dc.date.available2021-10-07T18:19:33Z-
dc.date.issued2021-10-07-
dc.date.submitted2021-08-13-
dc.identifier.citationRIBEIRO, M. N. Use of machine learning to predict fruit quality: a sensory study using affective scales. 2021. 128 p. Tese (Doutorado em Ciência dos Alimentos) – Universidade Federal de Lavras, Lavras, 2021.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/48346-
dc.description.abstractFruit quality is one of the most important factors to ensure consistent fruit commercialization and consumer satisfaction. The role of sensory analysis in measuring consumer responses about food quality is indisputable. However, the sensory quality of fruit is generally not monitored due to time and money constraints, requiring the participation of many consumers, making sensory testing unfeasible. Thus, the present work aimed to: (i) generate mathematical models based on machine learning to predict acceptance, expectation, sweetness ideal, acidity ideal, and succulence ideal based on physicochemical data of different fruits and classify fruits according to consumer satisfaction and intention to pay more; and (ii) use different affective scales to assess sensory responses and understand the factors that influence strawberry consumer behavior. For this, in the first topic addressed in this work, the Random Forest (RF) algorithm was used to predict the sensory responses (acceptance, expectation, sweetness ideal, succulence ideal, and acidity ideal) of strawberry consumers using physical and physicochemical measurements. In addition, RF was used to classify strawberries into “satisfied” or “not satisfied” and “would pay more” or “would not pay more” based on the sensory responses of consumers. The RF obtained excellent results for the prediction task, which indicates that it is possible to correctly estimate the sensory measurements of strawberries using physical and physicochemical data. In addition, the RF was able to correctly classify the strawberry samples into the “satisfied” and “not satisfied” classes and into the “would pay more” or “would not pay more” classes. The second aspect addressed was to evaluate the use of different algorithms to predict the sensory responses of consumers of different fruits. For this, 705 orange consumers, 624 tangerine consumers, and 477 grape consumers evaluated the fruit samples according to their acceptance, expectation, ideal sweetness, succulence, and acidity, using affective scales. The results showed that there is no single algorithm that surpasses all others in predicting the consumer's response regarding the fruits evaluated through their physical, chemical, and physical-chemical parameters. In the third topic, a total of 715 consumers evaluated thirty samples of strawberries using different affective scales to quantify their acceptance, expectation, ideal sweetness, juiciness, and acidity. In addition, satisfaction and intention to pay more or not for the fruit were measured. It was observed that the attributes of sweetness, succulence and acidity directly influenced the acceptance and expectation of consumers, which consequently can generate greater satisfaction. The correlation of different affective scales can be an alternative to better understand consumer behavior. Therefore, the results indicate that the developed models can be used in fruit quality control, supporting the establishment of quality standards that consider the consumer's response. Furthermore, the proposed methodology can be extended to control the sensory quality of other fruits.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.languageengpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.subjectFrutas - Qualidadept_BR
dc.subjectFrutas - Análise sensorialpt_BR
dc.subjectFrutas - Qualidade sensorialpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectEscalas afetivaspt_BR
dc.subjectFruit - Qualitypt_BR
dc.subjectFruits - Sensory analysispt_BR
dc.subjectFruits - Sensory qualitypt_BR
dc.subjectMachine learningpt_BR
dc.subjectAffective scalespt_BR
dc.titleUse of machine learning to predict fruit quality: a sensory study using affective scalespt_BR
dc.title.alternativeUso de aprendizado de máquina na predição da qualidade de frutas: um estudo sensorial utilizando escalas afetivaspt_BR
dc.typetesept_BR
dc.publisher.programPrograma de Pós-Graduação em Ciência dos Alimentospt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Pinheiro, Ana Carla Marques-
dc.contributor.referee1Gularte, Márcia Arocha-
dc.contributor.referee2Esmerino, Erick Almeida-
dc.contributor.referee3Ferreira, Danton Diego-
dc.contributor.referee4Vilas Boas, Eduardo Valério de Barros-
dc.contributor.referee5Rocha, Roney Alves da-
dc.description.resumoA qualidade das frutas é um dos fatores mais importantes para garantir que a sua comercialização seja consistente, bem como a satisfação do consumidor. É indiscutível o papel da análise sensorial na aferição das respostas dos consumidores sobre a qualidade dos alimentos. Entretanto, a qualidade sensorial das frutas geralmente não é monitorada devido a restrições de tempo e dinheiro, sendo necessária a participação de muitos consumidores para a realização dos testes sensoriais, tornando-os mais difíceis. Deste modo, o presente trabalho teve como objetivos: (i) gerar modelos matemáticos baseados em aprendizado de máquina para predizer a aceitação, expectativa, ideal de doçura, ideal de acidez e o ideal de suculência com base nos dados físico-químicos de diferentes frutas e classificar as frutas quanto à satisfação do consumidor e sua intenção de pagar mais por elas; e (ii) utilizar diferentes escalas afetivas para avaliar as respostas sensoriais e entender os fatores que influenciam no comportamento do consumidor de morangos. Para isso, no primeiro tópico abordado neste trabalho foi utilizado o algoritmo Random Forest (RF) para predizer as respostas sensoriais (aceitação, expectativa, ideal de doçura, suculência e acidez) dos consumidores de morangos utilizando medidas físicas e físico-químicas. Além disto, o RF foi utilizado para classificar os morangos em “satisfeitos” ou “não satisfeitos” e “pagaria mais” ou “não pagaria mais” com base nas respostas sensoriais dos consumidores. O RF gerou excelentes resultados para a tarefa de predição, o que indica que é possível estimar corretamente as medidas sensoriais de morangos usando dados físicos e físico-químicos. Além disso, o RF foi capaz de classificar corretamente as amostras de morango nas classes “satisfeito” e “não satisfeito” e nas classes “pagaria mais” ou “não pagaria mais”. O segundo aspecto abordado foi avaliar o uso de diferentes algoritmos para predizer as respostas sensoriais de consumidores de diferentes frutas. Para isto, 705 consumidores de laranja, 624 consumidores de tangerina e 477 consumidores de uva, avaliaram as amostras de frutas de acordo com sua aceitação, expectativa, ideal de doçura, suculência e acidez, utilizando escalas afetivas. Os resultados demonstraram que não existe um único algoritmo que supere todos os outros em prever a resposta do consumidor em relação às frutas avaliadas por meio de seus parâmetros físicos, químicos e físico-químicos. No terceiro tópico um total de 715 consumidores avaliaram trinta amostras de morangos utilizando diferentes escalas afetivas para quantificar a sua aceitação, expectativa, ideal de doçura, suculência e acidez. Além disso, aferiram-se a satisfação e intenção de pagar mais ou não pela fruta. Foi observado que os atributos de doçura, suculência e acidez influenciaram diretamente na aceitação e expectativa dos consumidores, o que consequentemente pode gerar maior satisfação. A correlação de diferentes escalas afetivas pode ser uma alternativa para entender melhor o comportamento dos consumidores. Portanto, os resultados indicam que os modelos desenvolvidos podem ser utilizados no controle de qualidade de frutas, subsidiando o estabelecimento de padrões de qualidade que considerem a resposta do consumidor. Além disso, a metodologia proposta pode ser estendida para controlar a qualidade sensorial de outras frutas.pt_BR
dc.publisher.departmentDepartamento de Ciência dos Alimentospt_BR
dc.subject.cnpqCiência de Alimentospt_BR
dc.creator.Latteshttp://lattes.cnpq.br/2451723616981467pt_BR
Aparece nas coleções:Ciência dos Alimentos - Doutorado (Teses)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TESE_Use of machine learning to predict fruit quality: a sensory study using affective scales.pdf2,07 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.