Nome do Projeto
Inteligência Artificial Aplicada à Qualidade Agropecuária: Soluções Inovadoras para a Cadeia de Grãos e Alimentos
Ênfase
Pesquisa
Data inicial - Data final
06/06/2025 - 01/07/2028
Unidade de Origem
Coordenador Atual
Área CNPq
Ciências Agrárias
Resumo
Este projeto concentra-se na área de competência da agricultura, processos agroindustriais e tecnologias de alimentos propondo ações para que o Grupo de Pesquisa que compõe o projeto desenvolva as suas atividades de P,D&I com foco em soluções inovadoras para a produção agropecuária e para os processos agroindustriais e de alimentos.
O uso de tecnologias como a Inteligência Artificial (IA) e a Ciência de Dados tem revolucionado diversas áreas do conhecimento, e em especial a área das ciências agrárias que já se utiliza de diversas ferramentas tecnológicas, como uso de drones e sensores a campo. No entanto, há desafios complexos, como a demanda por segurança alimentar, sustentabilidade e qualidade nutricional. Nesse cenário, tecnologias como Inteligência Artificial (IA) e Ciência de Dados emergem como ferramentas transformadoras, especialmente na cadeia de produção de grãos e alimentos. A integração de dados físico-químicos e sensoriais com técnicas avançadas de aprendizado de máquinas podem otimizar processos agrícolas, prever riscos e aprimorar a qualidade dos produtos, atendendo as expectativas dos consumidores.
O desenvolvimento de aplicações web, softwares e análises de dados, baseados em parâmetros físico-químicos e sensoriais, além de facilitarem o acesso e o uso desses dados, permitem a automatização, análise em tempo real e tomada de decisões inteligentes por alunos, professores, pesquisadores, produtores e indústrias.
Desenvolver softwares locais (offline ou desktop) voltados para pós-colheita de produtos agropecuários, controle de qualidade ou análises laboratoriais permite: Registrar e processar dados físico-químicos e sensoriais de forma sistemática; Realizar cálculos automáticos, como perdas de massa, tempo ideal de armazenamento, ou índices de qualidade; Emitir relatórios personalizados, úteis para tomada de decisão técnica ou certificação; Treinar modelos de machine learning localmente, prevendo qualidade de grãos e seus coprodutos ou aceitação sensorial de alimentos.
Os algoritmos de machine learning, integrados aos softwares ou às aplicações web, permitem:
Predição da qualidade ao longo do tempo; Classificação de produtos; Otimização de formulações alimentares, ajustando concentrações de ingredientes para alcançar a melhor qualidade; Identificação de variáveis que influenciam nos produtos ou coprodutos agropecuários.
Objetivo Geral
Aplicar ferramentas de Inteligência Artificial integradas parâmetros de qualidade de produtos agropecuários, com o propósito de prever e aprimorar sua qualidade ao longo do tempo, além de propor metodologias inovadoras para controle, otimização e tomada de decisão na cadeia produtiva, contribuindo para a segurança alimentar, sustentabilidade e valorização de produtos agrícolas.
Justificativa
Devido a importância do setor para a economia do país, evidencia-se grande necessidade e oportunidade para o desenvolvimento de soluções inovadoras para melhoria dos meios e processos produtivos e tecnológicos que garantam a competitividade e sustentabilidade do agronegócio e das cadeias agroindustriais e alimentícias brasileiras.
A inovação está relacionada com o emprego de soluções criativas que permitam melhorar os processos de produção e de industrialização. A inovação no setor deve afetar todas as etapas da cadeia produtiva focando na sustentabilidade, profissionalização, gestão baseada em dados e tecnologia da informação e no uso de novas técnicas e ferramentas.
A inovação está relacionada com o emprego de soluções criativas que permitam melhorar os processos de produção e de industrialização. A inovação no setor deve afetar todas as etapas da cadeia produtiva focando na sustentabilidade, profissionalização, gestão baseada em dados e tecnologia da informação e no uso de novas técnicas e ferramentas.
Metodologia
Cada ação de pesquisa tem metodologia específica.
Indicadores, Metas e Resultados
Indicadores: número e pessoas atingidas pela melhorias geradas, em cursos, treinamentos e eventos;
número e fator de impacto das publicações científicas; número e pessoas atingidas nos cursos, treinamentos e eventos; ações número de estudantes orientados na graduação e na pós-graduação.
Metas: realizar ações ao longo dos anos como: projetos de pesquisa, publicações, apresentações de trabalhos e estágios acadêmicos, cursos, treinamentos e/ou outros eventos. Desenvolver soluções inovadoras, registros de softwares, publicações de livros.
Resultados esperados: melhorias em tecnologias de armazenamento e conservação de produtos agropecuários, bem como capacitar e qualificar profissionais envolvidos com a área.
número e fator de impacto das publicações científicas; número e pessoas atingidas nos cursos, treinamentos e eventos; ações número de estudantes orientados na graduação e na pós-graduação.
Metas: realizar ações ao longo dos anos como: projetos de pesquisa, publicações, apresentações de trabalhos e estágios acadêmicos, cursos, treinamentos e/ou outros eventos. Desenvolver soluções inovadoras, registros de softwares, publicações de livros.
Resultados esperados: melhorias em tecnologias de armazenamento e conservação de produtos agropecuários, bem como capacitar e qualificar profissionais envolvidos com a área.
Equipe do Projeto
| Nome | CH Semanal | Data inicial | Data final |
|---|---|---|---|
| ANA PAULA SACRAMENTO WALLY | |||
| ANTÔNIO RENATO VASCONCELOS DA CUNHA | |||
| BIANCA PIO AVILA | 4 | ||
| FREDERICO SCHMITT KREMER | 1 | ||
| HÂNDRYA ROLDÃN CORRÊA AVILA | |||
| JANDER LUIS FERNANDES MONKS | |||
| LAYLA DAMÉ MACEDO | |||
| MARCIA AROCHA GULARTE | 1 | ||
| MAURICIO DE OLIVEIRA | 1 | ||
| RICARDO SCHERER POHNDORF | 1 |