Resumo: reconhecimento de padrões tem como objetivo classificar alguns conjuntos de dados em classes ou clusters específicos, tendo várias aplicações na agriaccucultura. A objetivação do processo minimiza erros, pois reduz a subjetividade, permitindo uma remuneração mais justa ao produtor e produtos padronizados ao consumidor. Assim,este trabalho teve como objetivo desenvolver um sistema embarcado cominteligência artificial para determinar o estádio de maturação de bananas (outputs) a partir dainserção de dados físicos (peso do fruto, textura e diâmetro), físico-químicos (pH, acideztitulável (AT),sólidos solúveis (SS) e relação SS/TA) e bioquímicos (açúcares totais,compostos fenólicos, ácido ascórbico, quantificação de pigmentos na casca e na polpa dos frutos e atividade antioxidante pelos métodos DPPH e FRAP) (inputs). As bananas foram colhidas em cada estádio avaliado, de acordo com a escala de maturação de Von Loesecke, a saber:estádio 2, totalmente verde; estádio 4, mais amarela que verde; estádio 6, amarela; e estádio 7,amarela com manchas marrons. Posteriormente, foram selecionados e submetidos a uma análise de qualidade. Os dados obtidos foram então minerados, e os atributos foramselecionados,utilizando o software WEKA. O software classificador foi desenvolvido em MATLAB. Os atributos mais relevantes selecionados no classificador Bayes Net, para ométodo de Cross-Validation, foram: texturas apical, central, basal e média (entre as texturasapical, mediana e basal), pH, sólidos solúveis, compostos fenólicos, atividades antioxidantes, pelos métodos FRAP e DPPH, vitamina C, antocianinas da polpa, teor de clorofila a na cascado fruto e açúcar,resultando em uma medida F média de 97,0%. Resumo específicos agriaccucultura erros subjetividade consumidor Assimeste Assim este outputs (outputs peso diâmetro, diâmetro , diâmetro) físicoquímicos físico químicos pH (pH AT,sólidos ATsólidos AT ,sólidos SS (SS SS/TA SSTA TA açúcares totaiscompostos totais fenólicos ascórbico inputs. inputs . (inputs) avaliado Loesecke saberestádio saber 2 verde 4 6 7amarela 7 marrons Posteriormente qualidade minerados foramselecionadosutilizando foramselecionados utilizando WEKA MATLAB Net CrossValidation, CrossValidation Cross Validation, Validation Cross-Validation apical central entre texturasapical basal, basal) antioxidantes C açúcarresultando açúcar resultando 970 97 0 97,0% (inputs 9 97,0 97,
Abstract: Pattern recognition aims to classify some datasets into specific classes or clusters, having several applications in agriculture. The objectification of the process minimizes errors since it reduces subjectivity, allowing a fairer remuneration to the producer and standardized products to the consumer. Thus,this work aimed to develop an embedded system with artificial intelligence to determine the ripening stage of bananas (outputs) from the insertion of physical (i.e., fruit weight, texture and diameter), physicochemical (i.e.,pH, titratable acidity (TA), soluble solids (SS) and SS/TA ratio) and biochemical (i.e., total sugars, phenolic compounds, ascorbic acid,quantification of pigments in fruit peel and pulp and antioxidant activity by DPPH and FRAP methods) data (inputs). The bananas were harvested at each evaluated stage according to the Von Loesecke ripening scale, as follows:stage 2, totally green; stage 4, more yellow than green; stage 6, yellow; and stage 7, yellow with brown spots. Subsequently, they were selected and submitted to quality analysis. The data obtained were then mined and the attributes were selected using WEKA software. The classifier software was developed using MATLAB. The most relevant attributes selected in the Bayes Net classifier for the Cross-Validation method were: apical, central, basal and mean textures (between apical, median and basal textures), pH, soluble solids, phenolic compounds, antioxidant activities by the FRAP and DPPH methods, vitamin C, anthocyanins from the pulp, chlorophyll a content in the fruit peel and sugar, resulting in a mean F-measure of 97.0%. Abstract clusters agriculture subjectivity consumer Thusthis Thus this outputs (outputs i.e., ie i e (i.e. weight diameter, diameter , diameter) i.e.,pH, iepH pH (i.e.,pH TA, TA (TA) SS (SS SSTA ratio sugars compounds acidquantification acid quantification methods inputs. inputs . (inputs) scale followsstage follows 2 green 4 6 7 spots Subsequently analysis MATLAB CrossValidation Cross Validation apical central between textures, textures) C sugar Fmeasure F measure 970 97 0 97.0% i.e. (i.e i.e.,pH (TA (inputs 9 97.0 i.e 97.