O café verde é o grão de café descascado, antes de passar pelo processo de torrefação, rico em compostos químicos que são indicativos de qualidade, permitindo a classificação em especiais ou tradicionais. O objetivo do trabalho foi determinar compostos presentes em grãos verdes de café e encontrar a diferenciação dos grãos verdes de café em especiais ou tradicionais por meio da quimiometria. Além disso, a análise multiespectral foi combinada com modelos de aprendizagem de máquina para discriminar grãos de café verde, em especiais e tradicionais. Para tanto, foram quantificados os teores de compostos fenólicos, açúcares redutores, não redutores e totais por espectrofotometria; cafeína, trigonelina, 5-hidroximetilfurfural, ácidos 3-hidroxibenzoico, 4-hidroxibenzoico, clorogênico, cafeico e nicotínico por HPLC-UV-Vis; acetaldeído, acetona, metanol, etanol e iso-amílico por HS-GC-FID. Análise de componentes principais (PCA) foi utilizada na diferenciação dos grãos de café verde por meio dos teores obtidos nas análises espectrofotométricas e cromatográficas e análise multiespectral. Para avaliação dos dados da análise multiespectral quatro algoritmos de aprendizagem de máquina (SVM, RF, XGBoost e CatBoost) foram empregados. Estatisticamente, os teores de compostos fenólicos totais, cafeína, açúcares não redutores, açúcares totais, ácido nicotínico, 5-hidroximetilfurfural, acetaldeído, etanol e etanol/metanol apresentaram diferenças significativas. A PCA possibilitou a classificação dos grãos verdes de café, em especiais e tradicionais, além do entendimento dos atributos que influenciaram na diferenciação entre os cafés. Os atributos cafeína, ácido nicotínico, ácido cafeico, trigonelina, ácido 3-hidrozibenzoico e o álcool iso-amílico foram que descreveram melhor as amostras tradicionais e estão ligadas as características indesejadas para o café. Enquanto, as amostras especiais foram descritas pelos atributos açúcares não redutores, açúcares totais, altitude, etanol/metanol, etanol, acetona, 5-hidroximetilfurfural, compostos fenólicos totais, ácido clorogênico, 4-hidroxibenzoico, acetaldeído e metanol, que conferiram características desejadas para o café. Na análise multiespectral, o modelo de aprendizagem de máquina SVM demonstrou melhor precisão para o conjunto de dados de teste (0,96) e os dados de autofluorescência usando a combinação de excitação/emissão de 405/500 nm contribuiram para discriminar o café verde especial da classe tradicional. A avaliação da composição química, utilizando a quimiometria permitiu a diferenciação das amostras especiais e tradicionais, baseando nos 19 parâmetros e também utilizando apenas os parâmetros das análises espectrofotométricas. A imagem multiespectral baseada em autofluorescência combinada com modelos SVM pode ser ferramenta potencial para futuras aplicações na indústria de alimentos para classificação não destrutiva e em tempo real de café verde especial e tradicional

Green coffee is the hulled coffee bean, before going through the roasting process, rich in chemical compounds that are indicative of quality, allowing classification into special or traditional. The objective of this work was to determine compounds present in green coffee beans and find the differentiation of green coffee beans into special or traditional ones through chemometrics. Furthermore, multispectral analysis was combined with machine learning models to discriminate special from traditional green coffee beans. Therefore, the levels of reducing, non-reducing, total sugars and phenolic compounds were quantified by spectrophotometry; caffeine, trigonelline, 5-hydroxymethylfurfural, 3-hydroxybenzoic, 4-hydroxybenzoic, chlorogenic, caffeic and nicotinic acids by HPLC-UV-Vis; acetaldehyde, acetone, methanol, ethanol and iso-amyl by HS-GC-FID. Principal component analysis (PCA) was used to differentiate green coffee beans through the levels obtained in spectrophotometric and chromatographic analysis and multispectral analysis through fluorescence. To evaluate the multispectral analysis data, four machine learning algorithms (SVM, RF, XGBoost and CatBoost) were used. Statistically, the contents of total phenolic compounds, caffeine, non-reducing sugars, total sugars, nicotinic acid, 5-hydroxymethylfurfural, acetaldehyde, ethanol and ethanol/methanol showed significant differences. The PCA made it possible classification of green coffee beans in special and traditional, in addition to understanding the attributes that influenced the differentiation between coffees. The attributes caffeine, nicotinic acid, caffeic acid, trigonelline, 3-hydrozibenzoic acid and iso-amyl alcohol best described the traditional samples and are linked to undesirable characteristics for coffee. Meanwhile, the special samples were described by the attributes non-reducing sugars, total sugars, altitude, ethanol/methanol, ethanol, acetone, 5-hydroxymethylfurfural, total phenolic compounds, chlorogenic acid, 4-hydroxybenzoic, acetaldehyde and methanol, which conferred desired characteristics for the coffee. In the multispectral analysis, the machine learning model SVM demonstrated better accuracy for the test dataset (0.96) and the autofluorescence data using the excitation/emission combination of 405/500 nm contributed to discriminate the special green coffee of the traditional class. The evaluation of the chemical composition, using chemometrics, allowed the differentiation of special and traditional samples, based on the 19 parameters and also using only the parameters of the spectrophotometric analysis. Autofluorescence-based multispectral imaging combined with SVM models could be a potential tool for future applications in the food industry for non-destructive, real-time classification of specialty and traditional green coffee