Sensor

Scientific Reports volumen 13, Número de artículo: 5686 (2023) Citar este artículo

352 Accesos

Detalles de métricas

Teniendo en cuenta que el transporte de granos se puede realizar a largas distancias y que la masa de granos durante el transporte suele tener un alto contenido de humedad, puede haber riesgos de transferencia de calor y humedad y calentamiento de la masa de granos, demostrando pérdidas cuantitativo-cualitativas. . Así, este estudio tuvo como objetivo validar un método con sistema de sondas para el monitoreo en tiempo real de temperatura, humedad relativa y dióxido de carbono en la masa de grano de maíz durante el transporte y almacenamiento para detectar pérdidas tempranas de materia seca y predecir posibles cambios en la calidad física del grano. . El equipo consistió en un microcontrolador, el hardware del sistema, sensores digitales para detectar la temperatura del aire y la humedad relativa, un sensor infrarrojo no destructivo para detectar la concentración de CO2. El sistema de monitoreo en tiempo real determinó temprana y satisfactoriamente de manera indirecta los cambios en la calidad física de los granos confirmando por los análisis físicos de conductividad eléctrica y germinación. El equipo en monitoreo en tiempo real y la aplicación de Machine Learning fue efectivo para predecir la pérdida de materia seca, debido al alto contenido de humedad de equilibrio y respiración de la masa de grano en el periodo de 2 h. Todos los modelos de aprendizaje automático, excepto la máquina de vectores de soporte, obtuvieron resultados satisfactorios, igualando el análisis de regresión lineal múltiple.

Despite the high corn grain production, it is verified that there are great losses in the post-harvest stages due to the precarious transport, facilities, and handling of the grain receiving, drying, and storage operations. During grain transportation, it is estimated that there are losses of 0.25% per ton of grain transported. (2019)" href="/articles/s41598-023-32684-4#ref-CR1" id="ref-link-section-d184319839e407"> 1. Las pérdidas en el transporte por carretera ocurren por malas carreteras, velocidad de los vehículos, carrocerías de camiones deterioradas, entre otros2. Además, una vez cosechados, los granos se mantienen biológicamente activos y dependiendo de las condiciones en las que se encuentren pueden desencadenar diversas reacciones metabólicas provocando pérdidas tanto cuantitativas como cualitativas3.

Entre los factores que influyen en la calidad del grano en poscosecha se encuentran el alto contenido de humedad del grano, la temperatura y la humedad relativa intergranular4,5. La elevación de estos parámetros puede aumentar la respiración y la actividad metabólica del grano, provocando deterioros en la calidad fisicoquímica del grano y consumo de materia seca, proliferación de insectos e infección fúngica en la masa del grano6,7.

Teniendo en cuenta que muchas veces el transporte de granos se realiza a largas distancias, y que la masa de granos transportada puede tener un contenido de humedad por encima de las condiciones óptimas para el almacenamiento, los riesgos de transferencia de humedad y calor durante el transporte son altos, provocando un posible calentamiento de la masa de granos8, 9,10.

Así, para evitar estos problemas en el transporte y posibles factores potenciales de alteraciones en los siguientes procesos poscosecha, es importante realizar un monitoreo en tiempo real de la temperatura y humedad relativa del aire intergranular para estimar el contenido de humedad de equilibrio, así como monitorear los niveles de dióxido de carbono y la intensidad respiratoria de la masa de granos durante el transporte11,12. A partir de esta información, es posible detectar tempranamente y predecir cambios en la calidad del grano13.

Se han realizado varios estudios sobre pérdidas poscosecha cuantitativas y cualitativas7,10. Sin embargo, hay pocos estudios que aborden las pérdidas cualitativas debidas a la actividad metabólica en el proceso de transporte como un posible factor de influencia para desencadenar e intensificar las pérdidas en las operaciones posteriores a la cosecha.

Por lo tanto, el monitoreo en tiempo real de la masa de granos de maíz durante el transporte y el empleo de algoritmos predictivos podrían ayudar en la detección temprana y predicción de posibles pérdidas cuantitativas y cualitativas de granos de maíz. Por lo tanto, este estudio tuvo como objetivo validar un sistema tecnológico no destructivo para el monitoreo en tiempo real de temperatura, humedad relativa y dióxido de carbono en la masa de granos de maíz durante el transporte y almacenamiento en función de diferentes contenidos de humedad inicial, con el fin de detectar pérdidas tempranas. de materia seca utilizando algoritmos de Machine Learning y predecir posibles cambios en la calidad física de los granos.

Para monitorear la masa de granos durante el transporte por carretera, se ha desarrollado un dispositivo portátil14. El dispositivo consta de un microcontrolador Arduino Mega 2560 (modelo Mega 2560, Arduino LLC, Italia) como núcleo de control. El hardware del sistema incluye tres sensores digitales para detectar la temperatura del aire y la humedad relativa (modelo DHT22, Aosong Electronics, Guangzhou, China), un sensor infrarrojo no destructivo para detectar la concentración de CO2 (modelo MHZ-14, Winsen, China), en tiempo real módulos de reloj (modelo DS3231, flip-flop, China) y una tarjeta micro-SD (modelo Greatzt, importación, China). El diagrama de bloques del sistema de control se muestra en la Fig. 1A. Los datos de salida del sensor digital, el sensor de infrarrojos y los módulos se conectan a los terminales de comunicación de E/S del microcontrolador, que son responsables de la comunicación física, la integración de componentes y el cálculo de datos. El esquema de conexión eléctrica de cada componente mediante cables puente se muestra en la Fig. 1B.

Diagrama de bloques del sistema operativo de monitoreo (A). Conexión de los componentes al microcontrolador mediante cables puente (B). Parte estructural de la sonda para aplicación en la masa de granos (C), donde: 1- tubo de policloruro de vinilo, 2—orificios para entrada de aire, 3—elementos de fijación, 4—sensores DHT22, 5—sensor MH-Z14, 6—roscados cableado de barra y soporte, 7—herrajes del equipo, 8—vista interna de la sonda, 9—sonda para aplicación en la masa de granos. Diagrama de flujo de la programación utilizada para la operación del sistema de monitoreo (D).

Los sensores de temperatura y humedad relativa (modelo DHT22, Aosong Electronics, Guangzhou, China) se acoplaron a tres extremos de una barra roscada y el sensor de CO2 (modelo MHZ-14, Winsen, China) se acopló a la parte central. El módulo de reloj en tiempo real (modelo DS3231, flip-flop, China) y la tarjeta micro-SD (modelo Greatzt, Import, China) se empaquetaron en una caja de plástico (Patola Electroplastics Ind. Com. Ltda, Brasil). La Figura 1C muestra la estructura del equipo con los sensores dispuestos a lo largo de la barra roscada y protegidos por una sonda de cloruro de polivinilo. El equipo dispone de alimentación propia con tres baterías conectadas en serie.

El software utilizado en la placa Arduino se programó utilizando el lenguaje C++, con la mayoría de las bibliotecas proporcionadas por la plataforma (S1). Arduino IDE (Entorno de desarrollo integrado) se utilizó para desarrollar el firmware integrado para los microcontroladores Atmega 2560. El diagrama de flujo que se muestra en la Fig. 1D se refiere al programa de operación del equipo utilizado para monitorear la masa de granos durante el transporte por carretera15.

Para asegurar la misma condición para las evaluaciones, los sensores de temperatura y humedad relativa (modelo DHT22, Aosong Electronics, Guangzhou, China) se calentaron a una temperatura de 24 °C. Con una temperatura inicial de 24 °C, los sensores operaron durante 40 min y se registró su medición cada minuto. Utilizando el sensor de infrarrojos (modelo MHZ-14, Winsen, China), se realizó la calibración inicial en el propio Arduino y se registró la concentración de CO216.

Para definir el diámetro del orificio, los sensores de temperatura, humedad relativa y dióxido de carbono se colocaron en sondas con diferentes diámetros de orificio (7,5, 7,0 y 6,5 mm), alturas de perforación (470, 235 y 117,5 mm) y contenido de humedad del grano (12 y 16 mm). %). Los agujeros fueron perforados para permitir la entrada de aire y facilitar la respuesta de los sensores. Para establecer el mejor ajuste del diámetro de la sonda y la altura de perforación, uno de los requisitos fue que cumplieran con los dos contenidos de humedad analizados.

Luego de definir el diámetro del orificio y la altura de perforación que mejor se adaptaba a los granos de maíz, a diferentes contenidos de humedad, el equipo fue validado en laboratorio. Para este propósito, se colocaron sensores de temperatura y humedad relativa en la sonda en las posiciones superior, central e inferior, mientras que el sensor de dióxido de carbono se colocó en la posición central.

Para realizar el monitoreo de las variables antes mencionadas en la masa de granos, se colocó la sonda con los sensores en una caja construida con material de madera contrachapada (dimensiones 0.2 × 0.2 × 1.8 m), simulando el perfil de carga de granos en un sistema de transporte. Se tomaron lecturas de los sensores hasta estabilizar los valores de temperatura, humedad relativa y concentración de dióxido de carbono.

La sonda se construyó utilizando un tubo de cloruro de polivinilo de 50 mm de diámetro y 1500 mm de altura, con tres regiones perforadas (superior, central e inferior), con orificios de 6,5 mm de diámetro y 235 mm de altura de perforación. La configuración del diámetro de los orificios y la altura de la perforación de la sonda se dio en función del menor tiempo de respuesta que tenían los sensores para las variables medidas (temperatura, humedad relativa y CO2) en el aire intergranular. La figura 1C muestra la distribución de los orificios en la parte superior, central e inferior de la sonda.

Se desarrolló un tubo de muestreo de granos de metal para acoplar a la sonda (Fig. 2A). El tubo constaba de dos tubos superpuestos, con una punta en la posición inferior y un brazo giratorio en la posición superior. Esto permitió proteger la sonda y aumentó la precisión de la lectura del grano intergranular. Además, permitió muestrear en las diferentes capas del perfil del lote de granos. El tubo contenía aberturas/celdas en la parte superior, central e inferior a lo largo de su longitud, como se muestra en la Fig. 2B.

Tubo de muestreo de granos (A). Representación del perfil de masa de grano (posiciones superior, central e inferior) y el sistema de seguimiento (B). Representación del sistema de monitoreo y transporte de granos (C).

El muestreador de metal y la sonda con los sensores estaban dentro de la masa de grano. Las variables temperatura, humedad relativa y dióxido de carbono en la masa de grano intergranular fueron monitoreadas en tiempo real a intervalos de 1.87 s por respuesta durante 24 h, simulando las condiciones de transporte (Figs. 2B,C). El llenado de cada carga se realizó con granos con 12 y 14% de humedad. Las muestras se recolectaron a los 0, 120, 480 y 1440 min de transporte en las tres posiciones (superior, central e inferior) de la carga. La variación en el contenido de humedad de equilibrio se calculó utilizando una versión modificada de la ecuación de Henderson (Ec. 1)17.

donde EMC: contenido de humedad de equilibrio (°C), aw: actividad del agua (decimal), T: temperatura del aire (°C), a, b, c: parámetros del maíz (a = 8,6541 × 10–5, b = 49,810, c = 1.8634).

Para determinar la pérdida de materia seca (MLD) en el tiempo, se utilizó un modelo de estimación respecto a la concentración de CO2 (Ec. 2)18.

donde LDM: pérdida de materia seca (%), O2: concentración de oxígeno (21%), CO2: concentración de dióxido de carbono medida en la masa del grano (%), Ɛ: porosidad intergranular (%), P: presión atmosférica local (96 kPa) ), Wg—masa molar de glucosa (180 kg kmol−1), ρ—masa específica aparente de granos (kg m−3), U—contenido de humedad de granos (decimal), R—constante dos gases perfeitos (8.314 kJ kmol− 1 K−1), T—temperatura intergranular (K).

El contenido de humedad se determinó secando en una estufa de circulación de aire forzado a una temperatura de 105 ± 1 °C durante 24 h en cuatro repeticiones19. La masa específica aparente se obtuvo pesando una masa de granos colocada en un volumen conocido19. Se realizaron cuatro repeticiones para cada tratamiento. La conductividad eléctrica se determinó según la metodología ISTA20. Se contaron y pesaron cuatro repeticiones con 50 granos por cada tratamiento. Las muestras se colocaron en vasos de plástico que contenían 75 mL de agua destilada y se colocaron en una cámara de temperatura controlada a 25 °C durante 24 h. La conductividad eléctrica se obtuvo mediante conductímetro y el resultado se expresó en µS cm−1 g−1. La prueba de germinación se realizó en cuatro unidades experimentales con cuatro submuestras de 50 granos por cada tratamiento. Los granos se colocaron sobre papel germitest, el cual se empapó en agua destilada. La cantidad de agua destilada fue 2,5 veces la masa de sustrato seco. Los rollos de papel se almacenaron en un germinador Mangelsdorf a 25 °C. El conteo se realizó al séptimo día después de la siembra y los resultados se expresaron en porcentaje19.

En primer lugar, se realizó un análisis de componentes principales (PCA) junto con un agrupamiento de k-medias, que agrupa los tratamientos cuyos centroides son más cercanos hasta que no hay una variación significativa en la distancia mínima de cada observación a cada uno de los centroides. A continuación, para verificar la interrelación entre variables y tratamientos, se realizó un análisis de variables canónicas (CA). Esta técnica es similar a PCA pero permite tener en cuenta la variación residual entre réplicas del mismo tratamiento. Posteriormente, se estimaron los coeficientes de correlación de Pearson para verificar la asociación entre variables en las condiciones de procesamiento. Se construyó una red de correlación para expresar gráficamente los resultados. En este procedimiento, las líneas verdes vinculan variables con correlación positiva, mientras que las líneas rojas vinculan variables con correlación negativa. El grosor de la línea es proporcional a la magnitud de la correlación. Estos análisis se realizaron con el paquete ggfortify del software R y siguieron los procedimientos recomendados por Naldi et al.21 (tabla 1).

Los modelos de aprendizaje automático (ML) probados fueron: red neuronal artificial (ANN), los algoritmos de árbol de decisión M5P y REPTree, bosque aleatorio (RF) y máquina de vectores de soporte (SVM). Se utilizó una regresión lineal múltiple (LR) como modelo de control. La ANN probada consiste en un perceptrón multicapa con una sola capa oculta formada por un número de neuronas igual al número de atributos más el número de clases, todo dividido por 222.

El modelo M5P es una reconstrucción del algoritmo M5 de Quinlan, que se basa en el árbol de decisión convencional con la adición de una función de regresión lineal a los nodos hoja23. M5P es una adaptación del clasificador C4.5 que se puede utilizar en problemas de regresión con un paso de poda adicional basado en una estrategia de reducción de errores. El modelo REPTree utiliza la lógica del árbol de decisión y crea varios árboles en diferentes repeticiones. Luego selecciona el mejor árbol utilizando la información obtenida y realiza una poda de reducción de errores como criterio de división24. El modelo de RF puede producir múltiples árboles de predicción para el mismo conjunto de datos y utiliza un esquema de votación entre todos estos árboles aprendidos para predecir nuevos valores25.

La predicción de las variables masa específica aparente (ASM), conductividad eléctrica (CE), germinación (GERM) y pérdida de materia seca (LDM) de maíz se realizó mediante modelos LR y ML en una validación cruzada aleatoria estratificada diez veces con 10 repeticiones (100 carreras para cada modelo). Las variables de entrada fueron: contenido de humedad del grano, tiempo de monitoreo, temperatura intergranular y humedad relativa, contenido de humedad de equilibrio y concentración de dióxido de carbono. Los estadísticos utilizados para verificar la calidad del ajuste fueron el coeficiente de correlación de Pearson (r) entre los valores observados y los predichos por cada modelo y el error absoluto medio (MAE) de los valores predichos en relación a los observados. Los análisis de aprendizaje automático se realizaron en el software Weka 3.9.4 utilizando la configuración predeterminada para todos los modelos probados26. Todos los análisis se realizaron en una CPU Intel® CoreTM i5 con 6 GB de RAM.

Luego de obtener los estadísticos r y MAE, se realizó análisis de varianza considerando un diseño completamente al azar con 10 repeticiones (pliegues). Las medias se agruparon mediante la prueba de Scott-Knott al 5% de probabilidad. Se construyeron gráficos de barras para cada variable (r y MAE) considerando los modelos e insumos probados. Estos análisis se realizaron en el software R27 utilizando los paquetes ExpDes.pt y ggplot2.

La investigación experimental y los estudios de campo sobre plantas y material vegetal cumplieron con las normas locales y nacionales. El estudio cumplió con los lineamientos y la legislación institucional, nacional e internacional. Los autores cumplieron con la Declaración de política de la UICN sobre investigaciones relacionadas con especies en riesgo de extinción y la Convención sobre el comercio de especies amenazadas de fauna y flora silvestres para la recolección de especímenes de plantas o semillas. Los autores declaran que no se recolectaron y/o utilizaron plantas silvestres en este trabajo científco.

Las Figuras 3A–F muestran las curvas de temperatura, humedad relativa y difusión de CO2 intergranular usando monitoreo en tiempo real por sensores en función del diámetro de la sonda y la altura de perforación para granos de maíz con contenidos de humedad inicial de 12, 16 y 25%. (wb). El comportamiento de las curvas fue similar dentro de cada variable monitoreada (Cuadros 2, 3, 4). Tras la calibración de los sensores a tiempo cero, se produjo una reducción de la temperatura y un aumento de la humedad relativa y del CO2 intergranular, con tendencia a la estabilización de las curvas en el tiempo. Estos hallazgos demuestran la consistencia de las variables monitoreadas, así como la precisión y funcionalidad del sistema de monitoreo28.

Temperatura y humedad relativa de masa de grano de maíz con contenidos de humedad de 12% (A), 16% (B), 25% (C) en tubo con orificios de 6,5, 7,0 y 7,5 mm y alturas de perforación de 117,5, 235 y 470 mm. Concentración de CO2 de masa de grano de maíz con contenidos de humedad de 12% (D), 16% (E), 25% (F) en tubo con orificios de 6,5, 7,0 y 7,5 mm y alturas de perforación de 117,5, 235 y 470 mm.

Entre las curvas se observó una variación de las variables monitoreadas en función del contenido de humedad inicial de los granos, diámetro y altura de perforación de la sonda y tiempo de monitoreo. Hubo una diferencia de alrededor de 4 °C entre las curvas de temperatura, 5% en humedad relativa y 500 ppm de CO2 a partir de la estabilización de las curvas. Las mayores variaciones de temperatura, humedad relativa y CO2 se presentaron en la masa de granos con 16 y 25% de contenido de humedad a lo largo del tiempo de monitoreo. Los sensores intergranulares de temperatura y humedad relativa tardaron unos 10 min en estabilizarse, mientras que el sensor de CO2 necesitó unos 5 min para alcanzar un equilibrio en el proceso de difusión. Zhang et al.5 evaluaron la concentración de CO2 en varios puntos de la masa de grano almacenado. Los autores encontraron que la concentración de CO2 se detectó con sensibilidad a una distancia horizontal de 2 m desde el punto caliente y 1 m desde el punto caliente en dirección vertical. Según los autores, el método de detección de la concentración de CO2 en múltiples puntos fijos ayudó a cuantificar con mayor precisión el deterioro del grano.

Huang et al.10 evaluaron el coeficiente de difusión efectivo del dióxido de carbono (CO2) a través de la masa de grano de maíz a granel a temperaturas de 10, 20 y 30 °C y contenidos de humedad del grano de 14,0, 18,8 y 22,2% (wb). Los autores encontraron que la tasa de respiración del maíz aumentó con el aumento de la temperatura y el contenido de humedad del grano. A medida que aumentaba la tasa de respiración, tenía un mayor efecto sobre el patrón de difusión al medir el coeficiente de difusión efectivo de CO2. Los coeficientes efectivos de difusión de CO2 oscilaron entre 3,10 × 10–6 y 3,93 × 10–6 m2 s−1.

Entre los diámetros de los orificios y las alturas de perforación de la sonda, encontramos que 6,5 mm y 235 mm, respectivamente, lograron el mejor ajuste y estabilización de las curvas de monitoreo de temperatura, humedad relativa y CO2 a lo largo del tiempo (Tablas 2, 3, 4). En general, los valores de R2 fueron bajos, lo que se justifica por la escala de aplicación, que fue cercana a una condición real en volumen de grano.

Luego de la validación del equipo, se aplicó a un análisis a escala real, donde se simuló un sistema de transporte de granos. En este experimento se monitorearon las variables temperatura, humedad relativa y CO2 para determinar la calidad física indirecta de los granos con contenidos de humedad de 12 y 16% en tres posiciones verticales del perfil de masa de grano (superior, central e inferior) sobre 0 , 2, 8 y 24 h.

Por la Fig. 4A se puede observar que la masa de grano con contenidos de humedad al 12% obtuvo un aumento de temperatura en la capa inferior y central en las primeras 8 h de seguimiento, y posteriormente una disminución de temperatura hasta las 24 h de seguimiento. Distinto ocurrió para la posición más alta de la capa de grano, cuando se observó una disminución de la temperatura en las primeras horas (hasta las 10 h) y un aumento de la temperatura hasta las 24 h de seguimiento. Estos resultados influyeron en la humedad relativa intergranular (Fig. 4B), la cual fue constante desde el inicio hasta el final del tiempo de monitoreo en las posiciones inferior y central pero mostró una oscilación con una ligera reducción después de 10 h de monitoreo.

Monitoreo de temperatura (A), humedad relativa (B), contenido de humedad de equilibrio (C), dióxido de carbono (D) del aire intergranular en la masa de grano de maíz al 12% de contenido de humedad (wb) a lo largo del tiempo.

Los resultados de temperatura y humedad relativa indicaron una condición constante de 14.2 y 13.9% de contenido de humedad de equilibrio de la masa de granos en las posiciones inferior y central, respectivamente, durante todo el tiempo de monitoreo (Fig. 4C). Por otro lado, siguiendo las variaciones observadas en las Figs. 4A,B, el contenido de humedad de equilibrio de los granos en la capa superior aumentó de 12 a 13 % a las 10 h de monitoreo, posteriormente se redujo a 10,4 % a las 12 h, alcanzando una condición de 11,2 % al final del tiempo de monitoreo. Los cambios observados en la condición intergranular, especialmente en la capa superior, también fueron influenciados por la variación que ocurre con la temperatura y la humedad relativa del ambiente (Fig. 4A,B).

Bakhtavar et al.29 evaluaron la adsorción de agua en granos de trigo, maíz, algodón y quinua empacados en bolsas herméticas y materiales de empaque tradicionales, incluyendo bolsas de papel, polipropileno, yute y tela, en ambientes con 60, 70, 80 y 90% de humedad relativa . Los autores observaron que el contenido de humedad del grano aumentaba en los materiales de envasado tradicionales con el aumento de la humedad relativa. Según los autores, el almacenamiento de los granos en bolsas herméticas redujo la respiración de la masa de granos y la variación de los contenidos de humedad, colaborando al mantenimiento del equilibrio del contenido de humedad de los granos en condiciones seguras de almacenamiento.

Los hallazgos informados por Bakhtavar et al.29 coinciden con los resultados de las capas de granos inferior y central, que sufrieron menos influencia del ambiente externo. Bajo estas condiciones, se encontró que la respiración promedio de la masa de grano aumentó a 450 ppm en las primeras 3.5 h de monitoreo (Fig. 4D), luego se redujo a la condición inicial, permaneciendo hasta el final del período de monitoreo. Como los niveles de respiración se mantuvieron bajos, con una concentración de CO2 cercana a la ambiental (420 ppm), no hubo consumo de materia seca en los granos. En la evaluación de la masa de grano con contenido de humedad del 16% se verificó el mismo comportamiento de las curvas de temperatura y humedad relativa del aire intergranular en las tres capas (superior, central e inferior), aún con variaciones en el exterior. ambiente (Figs. 5A, B).

Monitoreo de temperatura (A), humedad relativa (B), contenido de humedad de equilibrio (C), dióxido de carbono (D), pérdida de materia seca (E) del aire intergranular en la masa de grano de maíz al 16% de contenido de humedad (wb) sobre tiempo.

En esta situación, el alto contenido de humedad (16%) influyó en el intercambio gaseoso intergranular del aire más que la condición externa (temperatura y humedad relativa). Observamos que la variación de temperatura (Fig. 5A) fue similar pero mayor (24.5–26.5 °C) que la observada en la Fig. 4A. Por su parte, las humedades relativas en las tres capas se mantuvieron constantes desde el inicio hasta el final del tiempo de monitoreo (entre 80 y 90%), siendo superiores al ambiente exterior (entre 50 y 60%) (Fig. 5B).

Las condiciones de 16% de contenido de humedad hicieron que la masa de grano alcanzara el contenido de humedad de equilibrio dentro de las primeras horas de monitoreo, manteniéndose constante hasta el final del período, entre 19 y 21% en las capas inferior y central y cerca de 24% en la capa superior de la masa de grano (Fig. 5C). Así, en las primeras 2 h de monitoreo, hubo una intensa respiración de la masa de grano, llegando al límite de 5000 ppm de concentración de CO2 y manteniéndose constante hasta el período final de monitoreo (Fig. 5D).

La alta respiración de la masa de grano proporcionó un consumo y una pérdida de materia seca en los granos (Fig. 5E) durante las primeras 2 h de monitoreo. Se estimó una pérdida de materia seca de 0,06% en 24 h de monitoreo, resultado significativo considerando el corto período de evaluación30. Jian et al.7 evaluaron las concentraciones intersticiales de dióxido de carbono y oxígeno en semillas de canola, soya y trigo almacenadas en diferentes tiempos, contenidos de humedad y temperaturas. Según los autores, las mayores diferencias significativas en las concentraciones de CO2 se observaron en función del tiempo de almacenamiento y temperaturas de 40 °C.

Ubhi y Sadaka31 encontraron diferentes tasas de respiración de la masa de granos de maíz en función de temperaturas de 23, 35 y 45 °C y 12.9, 14.8, 17.0, 18.8 y 20.7% de humedad inicial. Los autores verificaron que la respiración acumulada alcanzó 2,625 g/kg en granos con 18,8% de contenido de humedad y 35 °C de temperatura promedio después de nueve días de almacenamiento. Ochandio et al.32 reportaron una tasa de respiración de semillas de soya en almacenamiento hermético a 15, 25 y 35 °C y 13, 15 y 17% de contenido de humedad de 0.130 a 20.272 mg CO2/(kgdms).

Coradi et al.33 evaluaron la pérdida de materia seca de maíz almacenado a 10 °C y 90%, 30 °C y 40% de temperatura y humedad relativa, respectivamente. Los autores encontraron que el maíz almacenado en las condiciones de 10 °C y 90 % tuvo contaminación fúngica, mientras que el grano almacenado en 30 °C y 40 % tuvo una mayor pérdida de materia seca y cambios físicos durante el tiempo de almacenamiento. Taher et al.12 construyeron un modelo para predecir pérdidas en soja almacenada en silo bolsa basado en el monitoreo de la concentración de CO2 y verificado a través de pérdidas por respiración de masa de grano de 0.07–2.16% de materia seca. García-Cela et al.34 evaluaron la respiración de granos de maíz contaminados de forma natural en diferentes condiciones de almacenamiento a una actividad de agua de 0,80–0,99 y una temperatura de 15–35 °C. La tasa de respiración más alta ocurrió con una actividad de agua de 0,95 y una temperatura entre 30 y 35 °C. En estas condiciones, los autores encontraron una mayor pérdida de materia seca35.

La prueba de conductividad eléctrica (Fig. 6A) indicó que la estructura celular de los granos de maíz se vio afectada a lo largo del tiempo de monitoreo en función de los contenidos de humedad iniciales (12 y 16%) y por la posición de evaluación (capas superior, central e inferior) de la masa de grano. Entre las capas, observamos que los granos posicionados en la capa superior sufrieron, levemente, los mayores cambios físicos, de acuerdo con los resultados obtenidos del monitoreo (temperatura, humedad relativa y CO2). Sin embargo, los mayores daños físicos en los granos se encontraron a un contenido de humedad del 12%.

Evaluación de la estructura celular de granos de maíz por la prueba de conductividad eléctrica (A) y por el porcentaje de germinación (B) de granos de maíz con 12 y 16% de contenido de humedad (wb) en el tiempo.

Los resultados de conductividad eléctrica se reflejaron en la germinación de los granos (Fig. 6B). El porcentaje de granos germinados fue menor en la posición más alta de la capa de grano y principalmente para los granos con contenidos de humedad del 12%. El aumento de la temperatura, de la humedad relativa intergranular y por ende del contenido de humedad de equilibrio, proporcionó calentamiento y una mayor intensidad respiratoria de la masa de granos, principalmente para los granos con contenido de humedad del 16%. Sin embargo, el incremento de la actividad metabólica de granos con 16% de contenido de humedad (hidratados) dentro de las 24 h de seguimiento, simulando un sistema de transporte de granos, colaboró al incremento del porcentaje de germinación al ser sometidos a la prueba. Es de destacar que la germinación de los granos no es deseable durante el transporte. En este caso, los resultados obtenidos de la germinación son indicativos de posibles cambios físicos que pueden influir en la calidad final de la masa de granos.

Santos et al.18 evaluaron la calidad y pérdida de materia seca en granos de maíz almacenados a diferentes temperaturas. Para ello, se envasaron en bolsas granos de maíz con contenidos de humedad inicial de 14,8 y 17,9% y se almacenaron a temperaturas de 15, 25 y 35 °C. Durante 150 días, con intervalos de 30 días, se midieron las concentraciones de oxígeno (O2) y dióxido de carbono (CO2), y se tomaron muestras de los granos para determinar el contenido de humedad, masa específica aparente, materia seca, porcentaje de germinación y clasificación física. En 150 días, la pérdida de materia seca en granos de maíz almacenados con 14,8% de humedad fue aproximadamente 3,5 veces menor que la del producto almacenado con 17,9% de humedad. Con base en los resultados de germinación, se puede considerar aceptable un límite de 0.015% de pérdida de materia seca para mantener la integridad de los granos.

En un estudio realizado por Paraginski et al.36, los autores evaluaron la calidad de granos de maíz almacenados a temperaturas de 5, 15, 25 y 35 °C durante 12 meses. Los resultados de peso de mil granos, germinación y conductividad eléctrica indicaron que los mayores cambios se observaron en los granos almacenados a las temperaturas más altas, principalmente entre 25 y 35 °C, lo que indica que el tiempo de almacenamiento seguro de los granos en estas condiciones debe ser menor. en comparación con el almacenamiento a bajas temperaturas.

El análisis de las dos primeras variables canónicas recogió el 98,4% de la variación total entre tratamientos para las variables evaluadas (Fig. 7A). En este biplot, los tratamientos cercanos a la figura muestran una gran similitud. Los vectores (flechas) apuntan a las variables que más influyeron en la similitud de tratamientos específicos.

Análisis de las variables canónicas cualitativas de granos de maíz (A). Análisis de correlación de Pearson de las variables cualitativas de los granos de maíz (B). Las líneas verdes vinculan variables con correlación positiva y las líneas rojas vinculan variables con correlación negativa. El grosor de la línea es proporcional a la magnitud de la correlación.

Al analizar los cuadrantes, verificamos la formación de tres grupos distintos, con claros patrones de asociación con la mayoría de las variables evaluadas. El primer grupo asignó los tratamientos 8, 10, 11, 14, 15, 16, 18, 19, 20, 22, 23 y 24 que se destacaron en relación a las variables LDM y CO2. El segundo grupo reunió los tratamientos 1, 2, 4, 5, 6, 7, 9, 12 con menor variación en las variables T y EC. El tercer grupo contenía los tratamientos 13, 17 y 21, los cuales no destacaron para ninguna variable de manera específica. Las variables HR, EMC y G no se destacaron para ninguno de los tratamientos, específicamente.

A partir de los resultados del agrupamiento, verificamos que los tratamientos con 16% de contenido de humedad en la posición superior de las capas de grano y a partir del tiempo de monitoreo de 2 h tuvieron la mayor influencia en las variables, especialmente para dióxido de carbono (CO2) y pérdida de materia seca. (LDM). Barreto et al.8 desarrollaron un modelo matemático para analizar la calidad del grano por concentración de CO2 utilizando contenidos iniciales de grano de 12, 14 y 16% (wb) y temperaturas de 25 °C y 40 °C. Para las condiciones de 12% y 25 °C, la concentración de CO2 aumentó al 4%. Para una humedad del 16 % a 25 °C y 40 °C, el O2 disminuyó a menos del 1 %.

El análisis de correlación entre las variables se muestra en la Fig. 7B. Se puede observar una correlación positiva fuerte entre las variables LDM × CO2, EMC × RH, RH × G y EMC × G, y una correlación positiva moderada entre CO2 × RH, LDM × RH, CO2 × EMC, EMC × LDM y G × LDM. Sin embargo, entre las variables EC × G, EC × EMC, EC × RH, hubo una fuerte correlación negativa, mostrándose una correlación negativa moderada entre las variables EC × CO2. La variable T tuvo una correlación negativa débil con HR, EMC, LDM, CO2 y G, y una correlación positiva débil con EC. Los resultados observados en el análisis de correlación son consistentes con el comportamiento de las variables cualitativas en relación a los factores de tratamiento establecidos para el almacenamiento del grano de maíz. Los resultados corroboran los obtenidos por Coradi et al.37.

Hubo diferencias estadísticas (p-valor < 0,01) entre las técnicas de aprendizaje automático evaluadas en cuanto al coeficiente de correlación de Pearson (r) y el error absoluto medio (MAE) entre los valores observados y estimados para todas las variables evaluadas.

Para la masa específica aparente (Fig. 8A,B), las técnicas ANN, LR, M5P, REPTree y RF presentaron los valores de r más altos, sin diferir estadísticamente entre sí. En cuanto a MAE, estas mismas técnicas, excepto M5P, presentaron los promedios más bajos. Las técnicas ANN, LR, M5P y REPTree presentaron las medias r más altas entre los valores estimados y predichos de conductividad eléctrica (Fig. 9A, B). Sin embargo, al analizar el MAE, se observa que LR presentó los valores más bajos.

(A) Diagrama de caja para el coeficiente de correlación de Pearson (r) y (B) error absoluto medio (MAE) entre los valores observados y estimados de masa específica aparente en granos de maíz por diferentes modelos y entradas de aprendizaje automático. Medias seguidas de letras iguales en la misma columna no difieren por la prueba de Scott-Knott al 5% de probabilidad.

(A) Diagrama de caja para el coeficiente de correlación de Pearson (r) y (B) error absoluto medio (MAE) entre los valores observados y estimados de conductividad eléctrica en granos de maíz por diferentes modelos y entradas de aprendizaje automático. Medias seguidas de letras iguales en la misma columna no difieren por la prueba de Scott-Knott al 5% de probabilidad.

Para la germinación (Fig. 10A,B), las técnicas ANN, LR, M5P y REPTree presentaron los mayores valores de r, sin diferir estadísticamente entre sí. En cuanto a MAE, estas mismas técnicas, excepto ANN, presentaron las medias más bajas. Las técnicas ANN, LR, M5P, REPTree y RF presentaron las medias r más altas entre los valores estimados y predichos de conductividad eléctrica (Fig. 11A, B). Estas mismas técnicas presentaron el MAE medio más bajo.

(A) Diagrama de caja para el coeficiente de correlación de Pearson (r) y (B) error absoluto medio (MAE) entre los valores observados y estimados de germinación en granos de maíz mediante diferentes modelos y entradas de aprendizaje automático. Medias seguidas de letras iguales en la misma columna no difieren por la prueba de Scott-Knott al 5% de probabilidad.

(A) Diagrama de caja para el coeficiente de correlación de Pearson (r) y (B) error absoluto medio (MAE) entre los valores observados y estimados de pérdida de materia seca en granos de maíz por diferentes modelos de aprendizaje automático y entradas. Medias seguidas de letras iguales en la misma columna no difieren por la prueba de Scott-Knott al 5% de probabilidad.

El monitoreo en tiempo real de las variables temperatura, humedad relativa y concentración de dióxido de carbono (CO2) en el aire intergranular determinó temprana y satisfactoriamente de manera indirecta los cambios en la calidad física de los granos durante el transporte, confirmado por los análisis físicos de electricidad. conductividad y germinación.

En las primeras dos horas de transporte del grano de maíz bajo las condiciones de 16% de contenido de humedad en la posición superior del perfil de masa de grano sufrió los mayores cambios de calidad física, principalmente en cuanto a la pérdida de materia seca, debido al alto contenido de humedad de equilibrio y respiración del grano. masa de grano.

La aplicación de algoritmos predictivos de Machine Learning predijo las pérdidas cuantitativas y cualitativas de los granos de maíz durante el transporte. Todos los modelos de aprendizaje automático, excepto la máquina de vectores de soporte, obtuvieron resultados satisfactorios, igualando el análisis de regresión lineal múltiple.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado [y sus archivos de información complementaria: programación de código y destacados]. Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Conab. Seguimiento de la cosecha brasileña de cereales. . (2019)

Pereira, PSX et al. Porcentaje de pérdidas de granos de maíz en el transporte por carretera en función del peso de las cargas. J. Experiencia. agricola En t. 37, 1–10 (2019).

Google Académico

Coradi, PC, Chaves, JBP, Lacerda Filho, AF & Mota, TO Calidad del grano de maíz almacenado en diferentes condiciones. Científica 42, 118–133 (2014). https://cientifica.dracena.unesp.br/index.php/cientifica/article/view/535

Artículo Google Académico

Lutz, É. & Coradi, PC Aplicaciones de nuevas tecnologías para monitorear y predecir la calidad de los granos almacenados: Sensores, internet de las cosas e inteligencia artificial. medida 188, 110609. https://doi.org/10.1016/j.measurement.2021.110609 (2021).

Artículo Google Académico

Zhang, SB, Zhai, HC, Huang, SX & Cai, JP Un método de detección de CO2 dirigido al sitio para monitorear el deterioro de granos almacenados por insectos y hongos en almacenes horizontales chinos. J. Prod. Almacenada. Res. 59, 146–151. https://doi.org/10.1016/j.jspr.2014.07.002 (2014).

Artículo Google Académico

Coradi, PC, Milane, LV, Camilo, LJ, Andrade, MDO & Lima, RE Calidad del grano de maíz después del secado y almacenamiento en ambiente natural y enfriamiento artificial. Rev. Brás. Milho e Sorgo 14, 420–432. https://doi.org/10.18512/1980-6477/rbms.v14n3p420-432 (2015).

Artículo Google Académico

Jian, F., Chelladurai, V., Jayas, DS, Demianyk, CJ & White, NDG Concentraciones intersticiales de dióxido de carbono y oxígeno en semillas de canola, soja y trigo almacenadas en diversas condiciones. J. Prod. Almacenada. Res. 57, 63–72. https://doi.org/10.1016/j.jspr.2013.12.002 (2014).

Artículo Google Académico

Barreto, AA et al. Validación de un modelo de transferencia de calor, humedad y concentración de gases para granos de soja (Glycine max L.) almacenados en bolsas plásticas (silo bag). biosist. Ing. 158, 23–37. https://doi.org/10.1016/j.biosystemseng.2017.03.009 (2017).

Artículo Google Académico

Coradi, PC, Milane, LV, Camilo, LJ & Andrade, MDO Secado y almacenamiento de granos de maíz para la producción de etanol en Brasil. Biosci. J. 32, 1175–1190. https://doi.org/10.14393/BJ-v32n5a2016-32754 (2016).

Artículo Google Académico

Huang, H., Danao, MG, Rausch, K. & Singh, V. Difusión y producción de dióxido de carbono en maíz a granel a diversas temperaturas y contenido de humedad. En 2013, Kansas City, Missouri, del 21 al 24 de julio (pág. 1). Sociedad Estadounidense de Ingenieros Agrícolas y Biológicos (2013). https://doi.org/10.13031/aim.20131595312

Patrício, DI & Rieder, R. Visión por computadora e inteligencia artificial en agricultura de precisión para cultivos de granos: una revisión sistemática. computar Electrón. agricola 153, 69–81. https://doi.org/10.1016/j.compag.2018.08.001 (2018).

Artículo Google Académico

Taher, HI, Urcola, HA, Cendoya, MG & Bartosik, RE Predicción de pérdidas de soya mediante el monitoreo de dióxido de carbono durante el almacenamiento en bolsas de silo. J. Prod. Almacenada. Res. 82, 1–8. https://doi.org/10.1016/j.jspr.2019.03.002 (2019).

Artículo Google Académico

Besharati, B., Lak, A., Ghaffari, H., Karimi, H. y Fattahzadeh, M. Desarrollo de un modelo para estimar el contenido de humedad basado en las propiedades físicas y la capacitancia de las semillas. Sens. Actuators A. 318, 112513. https://doi.org/10.1016/j.sna.2020.112513 (2021).

Artículo CAS Google Académico

Jaques, LBA, Coradi, PC, Lutz, É., Teodoro, PE, Jaeger, DV, & Teixeira, AL Tecnología no destructiva para el monitoreo y predicción en tiempo real de la calidad de la soja usando Machine Learning para una simulación de transporte a granel. IEEE Sens. J. (2022).

Coradi, PC & Lutz, E. SmartStorage: sistema inteligente para monitorear la calidad de los granos almacenados. Patente: Programa Informático. Número de registro: BR512022000638–3, fecha de registro: 29/03/2022 (2022b)

Jacques, LBA et al. Sistema de muestreo mecánico portátil para monitoreo en tiempo real y predicción de la calidad de la soja en el transporte a granel. Trans. IEEE. instrumento medida 71, 1–12 (2022).

Artículo Google Académico

ASAE. Sociedad Americana de Ingenieros Agrícolas. Medición de humedad de granos y semillas sin moler. En: Normas, St. Joseph: ASAE, 563 (2000).

Santos, SBD, Martins, MA, Faroni, LRDA & Brito Junior, VRD Pérdida de materia seca en granos de maíz almacenados en bolsas herméticas. Rev.Cien. Agron. 43, 674–682. https://doi.org/10.1590/S1806-66902012000400008 (2012).

Artículo Google Académico

Brasil. Ministerio de Agricultura, Ganadería y Abastecimiento. Reglas para el Análisis de Semillas. Ministerio de Agricultura, Ganadería y Abastecimiento, Departamento de Defensa Agropecuaria, Brasilia, Mapa/ACS 399p. (2009).

ISTA. Asociación Internacional de Análisis de Semillas. Determinación de otras semillas por número. En: Normas internacionales para el análisis de semillas. edición Bassersdorf, 41–43 (2008).

Naldi, MC, Campello, RJ, Hruschka, ER & Carvalho, ACPLF Cuestiones de eficiencia de k-medias evolutivas. aplicación Cómputo suave. 11, 1938–1952. https://doi.org/10.1016/j.asoc.2010.06.010 (2011).

Artículo Google Académico

Egmont-Petersen, M., Ridder, D. & Handels, H. Procesamiento de imágenes con redes neuronales: una revisión. Reconocimiento de patrones. 35, 2279–2301. https://doi.org/10.1016/S0031-3203(01)00178-9 (2002).

Artículo ADS MATH Google Scholar

Blaifi, SA, Moulahoum, S., Benkercha, R., Taghezouit, B. & Saim, A. Rastreador de punto de máxima potencia difuso rápido basado en árbol modelo M5P. Sol. Energía 163, 405–424. https://doi.org/10.1016/j.solener.2018.01.071 (2018).

Artículo ANUNCIOS Google Académico

Kalmegh, S. Análisis del algoritmo de minería de datos weka reptree, carro simple y árbol aleatorio para la clasificación de noticias indias. En t. J. Innovación. ciencia Ing. Tecnología 2, 438–446 (2015).

Google Académico

Belgiu, M. & Dr ̆agu ̧t, L. Random forest in remote sensing: una revisión de aplicaciones y direcciones futuras. J. Fotograma. Sensores remotos 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011 (2016).

Artículo ANUNCIOS Google Académico

Bouckaert , RR , Frank , E. , Hall , M. , Kirkby , R. , Reutemann , P. , Seewald , A. & Scuse , D. Manual de WEKA para la versión 3–7–3. La Universidad de Waikato 327 (2010).

Equipo central R. R: Un lenguaje y entorno para la computación estadística. R Foundation for Statistical Computing, Viena, Austria (2018). https://www.r-project.org/

Lutz, É. et al. Monitoreo del contenido de humedad en equilibrio en tiempo real para predecir la calidad del grano de maíz almacenado en silos y bolsas de rafia. J. Proceso de alimentos. Ing. 45, e14076. https://doi.org/10.1111/jfpe.14076 (2022).

Artículo CAS Google Académico

Bakhtavar, MA, Afzal, I. & Basra, SMA Isotermas de adsorción de humedad y calidad de semillas almacenadas en materiales de empaque convencionales y Super Bag herméticos. PLoS ONE 14, e0207569. https://doi.org/10.1371/journal.pone.0207569 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Coradi, PC et al. Prototipo de red de sensores inalámbricos y plataforma de Internet de las Cosas para monitorear en tiempo real el contenido de humedad de equilibrio intergranular y predecir la calidad del maíz almacenado en bolsas de silos. Sistema experto aplicación 208, 118242. https://doi.org/10.1016/j.eswa.2022.118242 (2022).

Artículo Google Académico

Ubhi, GS & Sadaka, S. Valoración temporal de tasas de respiración de maíz utilizando sensores de presión. J. Prod. Almacenada. Res. 61, 39–47. https://doi.org/10.1016/j.jspr.2015.02.004 (2015).

Artículo Google Académico

Ochandio, D. et al. Modelado de la tasa de respiración de semillas de soja (Glycine max (L.)) en almacenamiento hermético. J. Prod. Almacenada. Res. 74, 36–45. https://doi.org/10.1016/j.jspr.2017.09.001 (2017).

Artículo Google Académico

Coradi, PC, Lacerda Filho, AF, Chaves, JBP & Mota, TO Pérdida de materia seca en granos de maíz almacenados en diferentes condiciones y efectos sobre la calidad. Rev. Brás. Tecnol. Agroín. 9, 1757–1770 (2015).

Google Académico

García-Cela, E. et al. Influencia del ambiente de almacenamiento en el grano de maíz: producción de CO2, pérdidas de materia seca y contaminación por aflatoxinas. Aditivo alimentario. contacto 36, 175–185. https://doi.org/10.1080/19440049.2018.1556403 (2019).

Artículo CAS Google Académico

Coradi, PC, Lima, RE, Alves, CZ, Teodoro, PE & Cândido, ACDS Evaluación de recubrimientos para aplicación en big bags de rafia en almacenamiento acondicionado de cultivares de soja en unidades de procesamiento de semillas. PLoS ONE 15(11), e0242522. https://doi.org/10.1371/journal.pone.0242522 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Paraginski, RT, Rockenbach, BA, Santos, RFD, Elias, MC & Oliveira, MD Calidad de granos de maíz almacenados a diferentes temperaturas. Rev. Brás. Ing. agricola embajador 19, 358–363. https://doi.org/10.1590/1807-1929/agriambi.v19n4p358-363 (2015).

Artículo Google Académico

Coradi, PC et al. Adaptación de envases tecnológicos para la conservación de semillas de soja en unidades de almacenamiento como alternativa a las atmósferas modificadas. PLoS ONE 15, e0241787. https://doi.org/10.1371/journal.pone.0241787 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Descargar referencias

Los autores agradecen a la UFSM-Universidad Federal de Santa María (Grupo de Investigación en Innovación Poscosecha: Tecnología, Calidad y Sostenibilidad). Este trabajo y cada organización de recursos y becas fue apoyado financieramente por CAPES (Coordinación de Perfeccionamiento del Personal de Educación Superior)-Código Financiero 001, CNPq (Consejo Nacional para el Desarrollo Científico Tecnológico) y FAPERGS-RS (Fundación de Apoyo a la Investigación del Estado de Rio Grande). do Sul) (2019-2022).

Departamento de Ingeniería Agrícola, Centro de Ciencias Rurales, Universidad Federal de Santa María, Avenida Roraima, 1000, Camobi, Santa María, Rio Grande do Sul, 97105-900, Brasil

Camila Fontoura Nunes, Paulo Carteri Coradi & Lanes Beatriz Acosta Jaques

Departamento de Ingeniería Agrícola, Laboratorio de Poscosecha (LAPOS), Campus Cachoeira do Sul, Universidad Federal de Santa Maria, Carretera Taufik Germano, 3013, Passo D'Areia, Cachoeira do Sul, Rio Grande do Sul, 96506-322, Brasil

Paulo Carteri Coradi

Departamento de Agronomía, Campus de Chapadão do Sul, Universidad Federal de Mato Grosso do Sul, Chapadão do Sul, Mato Grosso do Sul, 79560-000, Brasil

Larissa Pereira Ribeiro Theodore y Paul Edward Theodore

También puede buscar este autor en PubMed Google Scholar

Conceptualización, PCC, LPRT, PET, Metodología, CFN, LBAJ, PCC, Análisis formal, CFN, LBAJ, PCC, LPRT, PET, Investigación, CFN, LBAJ, PCC, LPRT, PET, Realización de experimentos de campo, CFN, LBAJ, PCC , Análisis Estadístico CFN, LBAJ, PCC, LPRT, PET Redacción-preparación borrador original, PCC, LPRT, PET Redacción-revisión y edición, PCC, LPRT, PET

Correspondencia a Paulo Carteri Coradi.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Nunes, CF, Coradi, PC, Jaques, LBA et al. Sensor-cable-sonda y muestreador para detección temprana y predicción de pérdida de materia seca y calidad de grano de maíz en tiempo real en transporte y almacenamiento. Informe científico 13, 5686 (2023). https://doi.org/10.1038/s41598-023-32684-4

Descargar cita

Recibido: 10 enero 2023

Aceptado: 31 de marzo de 2023

Publicado: 07 abril 2023

DOI: https://doi.org/10.1038/s41598-023-32684-4

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog