O valor do café a ser vendido para o mercado da bebida espresso, muito popular na Itália e apreciada também em outros países do mundo - inclusive agora no Brasil - está principalmente na qualidade sensorial dele, tradicionalmente avaliada por prova de xícara. O custo dessa atividade é alto vista a necessidade de uma equipe de degustadores experientes para julgar muitas amostras por dia. Na prática industrial seria útil um método instrumental, rápido e não destrutivo, para rejeitar a priori aquelas amostras que a equipe descartaria inevitavelmente. Desenvolvemos um processo para avaliar a credibilidade das previsões obtidas pela correlação do mérito sensorial de muitas amostras com seus espectros no infravermelho próximo. No prazo de sete anos foram coletados 3438 espectros, entre os quais escolhemos 1753 para construir uma biblioteca. Testamos duas técnicas para fornecer equações de calibração: regressão clássica pelo método dos mínimos quadrados, e regressão local selecionando por cada amostra os espectros vizinhos mais adaptados. Os melhores resultados chegaram da segunda técnica, demonstrando-se bem adequados para uso industrial.
Espresso coffee value stems mainly from its sensory quality, as traditionally determined by cup-testers’ panels. Since this approach is time-consuming and expensive, the number of tested samples per day is often inadequate to meet with industrial needs. An instrumental screening procedure, able to discard a priori undesirable samples likely to be rejected by the panel, would be therefore of help if rapid, non destructive, and reliable. We developed a procedure for checking the reliability of predictions obtained examining a large number of Near Infra Red spectra with the related sensory Merit data. From a total of 3438 raw coffee samples from Brazil, collected over a seven year period, 1753 samples were chosen to build a library. We studied predictions based on global calibrations and by local data base regression, selecting appropriate neighbours to an individual calibration for each sample. Results show that the latter technique performs better than global calibration by partial least squares regression, and is precise enough for industrial purposes.