Pesquisadores da Universidade de São Paulo (USP) desenvolveram uma técnica baseada em inteligência artificial capaz de avaliar, em tempo real, o frescor da carne a partir da análise de imagens digitais. A proposta usa visão computacional para detectar padrões visuais que não são percebidos a olho nu e pode reforçar o controle de qualidade na indústria de alimentos e a segurança do consumidor.
O trabalho foi realizado no projeto RastreIA, sediado no Centro de Energia Nuclear na Agricultura (Cena-USP), e busca oferecer uma opção mais rápida e menos invasiva do que métodos tradicionais de avaliação, que ainda dependem, em grande parte, de análises laboratoriais demoradas, custosas e destrutivas.
Canva/ Banco de imagem
Integrante da equipe do estudo, o pesquisador Robson Campos, doutorando do Cena, aponta que as rotinas atuais também se apoiam em inspeções visuais feitas por pessoas, sujeitas a falhas, o que pode resultar tanto em desperdício quanto em riscos para quem consome.
O sistema pode verificar peça por peça em uma linha de corte de carne com precisão próxima de 100% em relação ao frescor, tornando o processo mais rápido e seguro afirmou.
A abordagem utiliza modelos de visão computacional treinados para reconhecer alterações associadas ao processo de deterioração da carne e tem como objetivo permitir análises automatizadas em linhas industriais, com alta precisão e menor custo operacional.
O estudo é apresentado em um cenário de expansão da produção brasileira de carne bovina: dados da Companhia Nacional de Abastecimento (Conab) indicam que, em 2025, o Brasil assumiu a liderança mundial, com cerca de 12,4 milhões de toneladas produzidas, à frente de Estados Unidos e China.
A técnica descrita em artigo publicado na revista Food Chemistry combina redes neurais convolucionais profundas (DCNNs), comuns em reconhecimento de imagens, com a ferramenta Radam, desenvolvida por pesquisadores do Instituto de Física de São Carlos (IFSC-USP). Segundo os autores, o sistema consegue extrair padrões complexos de textura a partir de modelos previamente treinados, reduzindo a necessidade de grandes volumes de dados e de alto poder computacional, o que facilitaria o uso em ambientes como frigoríficos.
Nos testes, algoritmos de aprendizado de máquina analisaram imagens de carne bovina previamente classificadas em diferentes estágios de frescor e alcançaram índices de precisão entre 93% e 100%, dependendo da configuração.
Apesar do desempenho considerado promissor, os pesquisadores ressaltam que a análise visual não substitui totalmente os exames laboratoriais, já que fatores microbiológicos e químicos internos podem não aparecer apenas na superfície, além de variáveis como iluminação, posição da câmera e teor de gordura influenciarem os resultados; por isso, a ideia é que a ferramenta atue de forma complementar.
O projeto tem financiamento da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp).
