IA avalia qualidade da carne em tempo real

Técnica de IA combina redes neurais profundas e Radam para classificar o frescor da carne a partir de imagens em tempo real.
Sistema é desenvolvido pelo projeto RastreIA, no Centro de Energia Nuclear na Agricultura (Cena) da USP, com alta precisão entre 93% e 100%.
A abordagem é não destrutiva, não usa reagentes e facilita a implementação em frigoríficos, reduzindo custos e aumentando a segurança alimentar.
Os resultados levam em conta apenas características visuais; iluminação, posição da câmera e composição da amostra podem influenciar a classificação.
A equipe destaca que a IA deve atuar como complemento aos métodos analíticos tradicionais, não como substituto.

A pesquisa desenvolvida no projeto RastreIA, sediado no Cena da USP, avaliou o frescor da carne por meio de inteligência artificial em tempo real. Técnicas de visão computacional analisaram imagens para classificar a qualidade sem destruir a amostra, prometendo maior eficiência e redução de custos para a indústria de alimentos.

Os pesquisadores destacam que a avaliação tradicional depende de análises laboratoriais demoradas e custosas, muitas vezes destrutivas. A nova abordagem busca agir em escala industrial, com verificações rápidas que poderiam ampliar a segurança alimentar e reduzir o desperdício.

Robson Campos, doutorando no Cena e integrante do RastreIA, explicou que verificações visuais humanas apresentam falhas. A IA utiliza padrões visuais não perceptíveis a olho nu para identificar variações no estado de conservação da carne.

Essas técnicas baseiam-se em modelos de visão computacional que utilizam imagens digitais para detectar sinais de deterioração. Com isso, é possível classificar o frescor peça por peça com alta precisão, sem contato físico com a amostra.

A metodologia combina redes neurais profundas com a ferramenta Radam, criada no IFSC da USP. A Radam extrai características relevantes de imagens, reduzindo a necessidade de grandes volumes de dados e de treinamento longo.

Testes realizados utilizaram datasets de carne bovina previamente rotulados. Os resultados indicaram precisão entre 93% e 100%, dependendo da configuração do modelo, indicando robustez inicial da abordagem.

Apesar dos bons números, os autores ressaltam limitações: a avaliação se baseia apenas em características visuais externas. Fatores como iluminação e posição da câmera podem influenciar os resultados.

A equipe também aponta a variabilidade natural da carne, onde teor de gordura e outros aspectos podem alterar a aparência. Futuras pesquisas devem explorar fusão de dados com métodos analíticos tradicionais.

O estudo foi publicado com apoio da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) e envolve pesquisadores do Instituto de Física de São Carlos, além do Cena. O objetivo é integrar técnicas de IA a práticas industriais para controle de qualidade.