IA avalia frescor da carne em tempo real, revolucionando controle de qualidade

Pesquisadores do projeto RastreIA, vinculado ao Centro de Energia Nuclear na Agricultura (Cena) da USP, desenvolveram uma técnica inovadora de inteligência artificial (IA) que analisa imagens em tempo real para determinar o frescor da carne, o que pode transformar o controle de qualidade na indústria alimentícia.

Segundo Robson Campos, doutorando no Cena e membro da equipe RastreIA, os métodos tradicionais de avaliação da carne ainda são baseados principalmente em análises laboratoriais, que costumam ser demoradas e onerosas. Além disso, esses métodos são muitas vezes destrutivos, exigindo que amostras sejam coletadas e preparadas.

Campos ressalta que a avaliação visual humana, além de suscetível a erros, pode resultar em desperdício ou riscos à saúde. A implementação de modelos de IA que reconhecem padrões visuais não evidentes pode oferecer uma solução não destrutiva, essencial para percepção em tempo real nas linhas de produção.

Recentemente, o Brasil consolidou sua posição como o maior produtor mundial de carne bovina, com uma produção de cerca de 12,4 milhões de toneladas, superando países como Estados Unidos e China. Porém, pesquisas recentes indicam uma crescente preocupação dos consumidores em relação à sustentabilidade e à qualidade da carne.

Desenvolvimento e metodologia

O sistema implementado no RastreIA faz uso de modelos pré-treinados e técnicas otimizadas para reduzir a quantidade de dados necessários, facilitando a adoção em ambientes industriais, como frigoríficos. O método é não destrutivo, evitando contato físico e a utilização de reagentes químicos nas amostras analisadas.

"

Uma máquina com uma IA bem integrada pode verificar peças em uma linha de corte com quase 100% de precisão em relação ao frescor, aumentando a segurança e cortando custos

Um artigo na revista Food Chemistry detalha o uso de redes neurais convolucionais profundas (DCNNs) e a ferramenta Radam para categorizar o frescor da carne. A abordagem combinada permite que padrões complexos de textura sejam identificados, traduzindo resultados em alta precisão, variando entre 93% e 100% com base na configuração dos dados.

No entanto, os pesquisadores destacam que a análise se concentrou em características externas, sugerindo a necessidade de exames complementares para avaliar aspectos microbiológicos e químicos internos. A iluminação, o ângulo da câmera e a composição da amostra também são fatores que influenciam a precisão dos modelos de IA.

Os especialistas não acreditam que a visão computacional deva substituir técnicas analíticas convencionais, mas sim integrar-se a elas, criando uma abordagem mais robusta através da fusão de dados.