|
|
Registro Completo |
Biblioteca(s): |
Embrapa Meio-Norte. |
Data corrente: |
11/12/2018 |
Data da última atualização: |
11/12/2018 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Autoria: |
DEMOLINER, F.; POLICARPI, P. de B.; VASCONCELOS, L. F. L.; VITALI, L.; MICKE, G. A.; BLOCK, J. M. |
Afiliação: |
FERNANDA DEMOLINER, Federal University of Santa Catarina, Florianópolis, SC, Brazil; PRISCILA DE BRITTO POLICARPI, Federal University of Santa Catarina, Florianópolis, SC, Brazil; LUCIO FLAVO LOPES VASCONCELOS, CPAMN; LUCIANO VITALI, Federal University of Santa Catarina, Florianópolis, SC, Brazil; GUSTAVO AMADEU MICKE, Federal University of Santa Catarina, Florianópolis, SC, Brazil; JANE MARA BLOCK, Federal University of Santa Catarina, Florianópolis, SC, Brazil. |
Título: |
Sapucaia nut (Lecythis pisonis Cambess) and its by-products: a promising and underutilized source of bioactive compounds. Part II: phenolic compounds profile. |
Ano de publicação: |
2018 |
Fonte/Imprenta: |
Food Research International, v. 112, p. 434-442, 2018. |
Idioma: |
Inglês |
Conteúdo: |
In this study, the profile of the bioactive compounds of sapucaia nut (Lecythis pisonis Cambess) and its byproducts have been investigated. The phenolic profile by LC-ESI-MS/MS, the total phenolic content, the condensed tannins and the antioxidant activity of the sapucaia nut and shell were determined. 14 phenolic compounds were identified in the sapucaia nut extract, primarily phenolic acids and flavonoids. Catechin, epicatechin, myricetin, ellagic acid and ferulic acid presented significant correlation to the antioxidant activity. The sapucaia shell contained 22 phenolic compounds, 13 of which were quantified. The sapucaia shell extract showed a high content of total phenolic compounds, a high condensed tannins content, and high antioxidant activity. The higher antioxidant activity of the shell can be associated with a higher content of phenolics. Overall, it can be concluded that the sapucaia nut is a raw material rich in phenolic compounds that present high antioxidant activity. The nuts and the cake may be used as a promising raw material for the food industry, while the shells could be an alternative source of natural antioxidants. Further use in the cosmetics and pharmaceutical industry may also be envisaged. 1. Introduction Lecythis pisonis . |
Palavras-Chave: |
ABTS; DPPH; FRAP; Noz sapucaia. |
Thesagro: |
Antioxidante. |
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/188190/1/SAPUCAIA-NUT.-PART-II-v.-112-2018-.pdf
|
Marc: |
LEADER 02009naa a2200241 a 4500 001 2101212 005 2018-12-11 008 2018 bl uuuu u00u1 u #d 100 1 $aDEMOLINER, F. 245 $aSapucaia nut (Lecythis pisonis Cambess) and its by-products$ba promising and underutilized source of bioactive compounds. Part II: phenolic compounds profile.$h[electronic resource] 260 $c2018 520 $aIn this study, the profile of the bioactive compounds of sapucaia nut (Lecythis pisonis Cambess) and its byproducts have been investigated. The phenolic profile by LC-ESI-MS/MS, the total phenolic content, the condensed tannins and the antioxidant activity of the sapucaia nut and shell were determined. 14 phenolic compounds were identified in the sapucaia nut extract, primarily phenolic acids and flavonoids. Catechin, epicatechin, myricetin, ellagic acid and ferulic acid presented significant correlation to the antioxidant activity. The sapucaia shell contained 22 phenolic compounds, 13 of which were quantified. The sapucaia shell extract showed a high content of total phenolic compounds, a high condensed tannins content, and high antioxidant activity. The higher antioxidant activity of the shell can be associated with a higher content of phenolics. Overall, it can be concluded that the sapucaia nut is a raw material rich in phenolic compounds that present high antioxidant activity. The nuts and the cake may be used as a promising raw material for the food industry, while the shells could be an alternative source of natural antioxidants. Further use in the cosmetics and pharmaceutical industry may also be envisaged. 1. Introduction Lecythis pisonis . 650 $aAntioxidante 653 $aABTS 653 $aDPPH 653 $aFRAP 653 $aNoz sapucaia 700 1 $aPOLICARPI, P. de B. 700 1 $aVASCONCELOS, L. F. L. 700 1 $aVITALI, L. 700 1 $aMICKE, G. A. 700 1 $aBLOCK, J. M. 773 $tFood Research International$gv. 112, p. 434-442, 2018.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Meio-Norte (CPAMN) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Agrossilvipastoril. |
Data corrente: |
10/01/2022 |
Data da última atualização: |
10/01/2022 |
Tipo da produção científica: |
Resumo em Anais de Congresso |
Autoria: |
SANTOS, E. F. dos; LOPES, L. B.; VENDRUSCULO, L. G. |
Afiliação: |
ELTON FERNANDES DOS SANTOS, UFMT, Sinop-MT; LUCIANO BASTOS LOPES, CPAMT; LAURIMAR GONCALVES VENDRUSCULO, CNPTIA. |
Título: |
Segmentação de alvos de interesse em semicarcaças bovinas utilizando classificadores computacionais. |
Ano de publicação: |
2021 |
Fonte/Imprenta: |
In: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS, 5.; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 10., 2021. Sinop. Resumos... Brasília, DF: Embrapa, 2021. p. 58. |
Idioma: |
Português |
Conteúdo: |
O conhecimento da composição corporal em carcaças contribui para a avaliação do desempenho animal e tem forte impacto na rentabilidade do produtor. O objetivo deste trabalho foi avaliar dois métodos computacionais para a segmentação de imagens RGB de semicarcaças bovinas visando identificar quais pixels representam os alvos de interesse. São eles: gordura, carne ou tecido conjuntivo. Para tal objetivo, foram comparados dois classificadores: uma máquina de vetor de suporte (SVM) e uma rede neural (RNA). Foram utilizadas 618 imagens de semicarcaças, coletadas no primeiro semestre de 2021 em um frigorífico localizado em Sinop, MT. Ambos os modelos utilizaram uma janela deslizante na imagem. Visando confrontar os resultados do modelo SVM de RNA usados para a segmentação dos alvos, foram calculadas os seguintes parâmetros de acurácia: precisão, recuperação e F-1 score. A precisão e recuperação são importantes para avaliar modelos de classificação pois fornece uma métrica individual por classe. A precisão é a capacidade do modelo de não classificar como positiva uma amostra negativa, já a recuperação é a capacidade do modelo em encontrar todas as amostras positivas. O F-1 score é uma média harmônica ponderada entre a precisão e a recuperação. Os resultados mostraram que a precisão nos modelos SVM e RNA para o alvo carne alcançaram um valor ótimo de 1, ou seja, o modelo classificou corretamente todos os pixeis em suas verdadeiras classes de alvos. A recuperação obteve um valor melhor no RNA (0,98) para a carne em relação ao RNA (0,80). Para o F1-score todos os valores referentes aos dois classificadores alcançaram valores satisfatórios superiores a 0,9 referente aos alvos gordura, carne e tecido. Ou seja, o nível de classificação incorreta do pixel foi baixa. Os modelos SVM e RNA apresentaram nível de concordância ótimo, próximo a 1. De uma forma geral os dois métodos apresentaram segmentação dos três alvos de interesse de forma satisfatória. Planeja-se comparar os valores obtidos com validações de especialistas. MenosO conhecimento da composição corporal em carcaças contribui para a avaliação do desempenho animal e tem forte impacto na rentabilidade do produtor. O objetivo deste trabalho foi avaliar dois métodos computacionais para a segmentação de imagens RGB de semicarcaças bovinas visando identificar quais pixels representam os alvos de interesse. São eles: gordura, carne ou tecido conjuntivo. Para tal objetivo, foram comparados dois classificadores: uma máquina de vetor de suporte (SVM) e uma rede neural (RNA). Foram utilizadas 618 imagens de semicarcaças, coletadas no primeiro semestre de 2021 em um frigorífico localizado em Sinop, MT. Ambos os modelos utilizaram uma janela deslizante na imagem. Visando confrontar os resultados do modelo SVM de RNA usados para a segmentação dos alvos, foram calculadas os seguintes parâmetros de acurácia: precisão, recuperação e F-1 score. A precisão e recuperação são importantes para avaliar modelos de classificação pois fornece uma métrica individual por classe. A precisão é a capacidade do modelo de não classificar como positiva uma amostra negativa, já a recuperação é a capacidade do modelo em encontrar todas as amostras positivas. O F-1 score é uma média harmônica ponderada entre a precisão e a recuperação. Os resultados mostraram que a precisão nos modelos SVM e RNA para o alvo carne alcançaram um valor ótimo de 1, ou seja, o modelo classificou corretamente todos os pixeis em suas verdadeiras classes de alvos. A recuperação obteve um valor melh... Mostrar Tudo |
Palavras-Chave: |
Classificador computacional; Máquina de vetor de suporte; Processamento de dados; Rede neural; Semicarcaça; Sinop-MT; SVM. |
Thesagro: |
Bovinocultura; Carcaça; RNA. |
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/230151/1/2021-cpamt-lbl-segmentacao-alvo-interesse-semicarcaca-bovino-classificacao-computacional-p-58.pdf
|
Marc: |
LEADER 02991nam a2200253 a 4500 001 2138979 005 2022-01-10 008 2021 bl uuuu u00u1 u #d 100 1 $aSANTOS, E. F. dos 245 $aSegmentação de alvos de interesse em semicarcaças bovinas utilizando classificadores computacionais.$h[electronic resource] 260 $aIn: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS, 5.; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 10., 2021. Sinop. Resumos... Brasília, DF: Embrapa, 2021. p. 58.$c2021 520 $aO conhecimento da composição corporal em carcaças contribui para a avaliação do desempenho animal e tem forte impacto na rentabilidade do produtor. O objetivo deste trabalho foi avaliar dois métodos computacionais para a segmentação de imagens RGB de semicarcaças bovinas visando identificar quais pixels representam os alvos de interesse. São eles: gordura, carne ou tecido conjuntivo. Para tal objetivo, foram comparados dois classificadores: uma máquina de vetor de suporte (SVM) e uma rede neural (RNA). Foram utilizadas 618 imagens de semicarcaças, coletadas no primeiro semestre de 2021 em um frigorífico localizado em Sinop, MT. Ambos os modelos utilizaram uma janela deslizante na imagem. Visando confrontar os resultados do modelo SVM de RNA usados para a segmentação dos alvos, foram calculadas os seguintes parâmetros de acurácia: precisão, recuperação e F-1 score. A precisão e recuperação são importantes para avaliar modelos de classificação pois fornece uma métrica individual por classe. A precisão é a capacidade do modelo de não classificar como positiva uma amostra negativa, já a recuperação é a capacidade do modelo em encontrar todas as amostras positivas. O F-1 score é uma média harmônica ponderada entre a precisão e a recuperação. Os resultados mostraram que a precisão nos modelos SVM e RNA para o alvo carne alcançaram um valor ótimo de 1, ou seja, o modelo classificou corretamente todos os pixeis em suas verdadeiras classes de alvos. A recuperação obteve um valor melhor no RNA (0,98) para a carne em relação ao RNA (0,80). Para o F1-score todos os valores referentes aos dois classificadores alcançaram valores satisfatórios superiores a 0,9 referente aos alvos gordura, carne e tecido. Ou seja, o nível de classificação incorreta do pixel foi baixa. Os modelos SVM e RNA apresentaram nível de concordância ótimo, próximo a 1. De uma forma geral os dois métodos apresentaram segmentação dos três alvos de interesse de forma satisfatória. Planeja-se comparar os valores obtidos com validações de especialistas. 650 $aBovinocultura 650 $aCarcaça 650 $aRNA 653 $aClassificador computacional 653 $aMáquina de vetor de suporte 653 $aProcessamento de dados 653 $aRede neural 653 $aSemicarcaça 653 $aSinop-MT 653 $aSVM 700 1 $aLOPES, L. B. 700 1 $aVENDRUSCULO, L. G.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agrossilvipastoril (CPAMT) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|