Avaliação da qualidade da carne bovina utilizando imagem hiperespectral no infravermelho próximo

Abstract

Cada vez mais, a indústria requer métodos em tempo real para o controle de qualidade da carne fresca, a fim de melhorar a eficiência produtiva, garantir homogeneidade dos produtos e atender expectativas do consumidor. No presente trabalho, a imagem hiperespectral foi empregada para avaliação da qualidade da carne de bovinos Nelore com ênfase para a maciez e características relacionadas, e, ainda, a construção de mapas de distribuição das características para observação da variabilidade dessas entre e dentro de amostras. Para investigar se o uso de diferentes grupos musculares aumenta a variabilidade dos valores de referência, promovendo melhora nos modelos de predição e classificação da maciez, foram utilizadas amostras do músculo Longissimus(94) e B. femoris (94) de bovinos Nelore. Para investigar se a seleção da região de interesse (ROI) na imagem no exato local onde foi coletado o cilindro para determinação da força de cisalhamento melhora os modelos de predição e classificação da maciez, foram utilizadas amostras do músculo Longissimus (50). Após a aquisição da imagem (1.000-2.500 nm), cada amostra foi avaliada seguindo metodologia tradicional para força de cisalhamento, matéria seca, proteína bruta, lipídios e comprimento de sarcômero. Os dados espectrais e espaciais foram analisados por técnicas quimiométricas e modelos PLSR e PLS-DA foram construídos. Em relação à abordagem com diferentes músculos, os dados foram modelados separadamente para evitar que fenômenos devidos às diferenças musculares fossem equivocadamente atribuídos às características investigadas. Ainda assim, amostras de Longissimus com maciez inaceitável foram classificadas com sensibilidade = 87% e amostras macias de B. femoris com sensibilidade = 90%, ambas na validação externa. Com relação à forma de seleção da ROI, os modelos de classificação utilizando ROI local apresentaram melhor desempenho do que os modelos com ROI de toda a amostra (sensibilidade na validação externa para a classe dura = 33% e 70%, respectivamente). Entretanto, o modelo mais geral tem desempenho melhor na construção de mapas de distribuição da maciez, com de 72% das imagens preditas corretamente classificadas.