Crescimento de fungos na superfície de madeira de caixas do tipo 'K' usadas para hortaliças.

A madeira é o material mais utilizado para embalagem de hortaliças noBrasil, principalmente devido ao seu baixo custo e alta resistênciamecânica. O objetivo deste trabalho foi estimar a absorção e a perdaprogressiva de água de ripas de madeira de Pinus utilizadas namontagem de caixas do tipo "K" em três condições de umidade relativae determinar o crescimento de fungos em sua superfície. O experimentofoi conduzido no Laboratório de Pós-Colheita da Embrapa Hortaliças, emBrasília-DF, em 2003. Trinta ripas novas de madeira de Pinus (52 x 6 x0,6cm) foram pesadas individualmente, imersas em água durante 1h epesadas novamente para avaliar a absorção de água. Em outroexperimento, dez ripas foram incubadas ao acaso em cada uma das trêscâmaras úmidas (61%, 86% e 94% UR) mantidas a 25oC (±2oC). A perda progressiva de água foi avaliada por pesagens diárias das ripasindividualmente e o desenvolvimento de fungos na madeira foi avaliadocom uma escala de notas (0-3) durante oito dias. A madeira nova dePinus pode absorver até 38% de seu peso em água, e permanecerúmida durante vários dias de acordo com a condição dearmazenamento. A umidade relativa do ambiente afetou a taxa de perdade água diária da madeira, estimada em 4,7%, 2,5% e 1,0%respectivamente a 61% UR, 86% UR e 94% UR, e ao final de oito diasalcançou 37,5%, 19,9% e 7,9%, respectivamente. Os fungospredominantes foram Trichoderma harzianum e Rhizopus stolonifer, mastambém observou-se crescimento de Aspergillus sp. e Penicillium sp.

Some Extensions of the K-Means Algorithm for Image Segmentation and Pattern Classification

In this paper we present some extensions to the k-means algorithm for vector quantization that permit its efficient use in image segmentation and pattern classification tasks. It is shown that by introducing state variables that correspond to certain statistics of the dynamic behavior of the algorithm, it is possible to find the representative centers fo the lower dimensional maniforlds that define the boundaries between classes, for clouds of multi-dimensional, mult-class data; this permits one, for example, to find class boundaries directly from sparse data (e.g., in image segmentation tasks) or to efficiently place centers for pattern classification (e.g., with local Gaussian classifiers). The same state variables can be used to define algorithms for determining adaptively the optimal number of centers for clouds of data with space-varying density. Some examples of the applicatin of these extensions are also given.