0
Objetivo: Este estudo avaliou o desempenho de um modelo baseado em aprendizado profundo (Deep Learning) para prever a perda por cocção no músculo semispinalis capitis (SC) da cabeça do lombo suíno, utilizando imagens hiperespectrais coletadas 24 horas após o abate.
Métodos e resultados: Os modelos de regressão por componentes principais (PCR) e de mínimos quadrados parciais (PLSR) para prever a perda por cocção no músculo SC apresentaram maiores valores de R² quando aplicada a correção multiplicativa de sinal, enquanto a primeira derivada resultou no menor erro quadrático médio (RMSE). O modelo baseado em aprendizado profundo superou os modelos PCR e PLSR. A precisão da classificação dos modelos para os diferentes graus de perda por cocção diminuiu à medida que o número de categorias aumentava, sendo os modelos com três graus os que alcançaram maior acurácia. O modelo de Deep Learning apresentou a maior precisão de classificação (0,82). A perda por cocção no músculo SC pôde ser visualizada por meio do modelo de aprendizado profundo. Observou-se uma correlação significativa entre o pH e a perda por cocção do músculo SC com a perda por cocção dos bifes da cabeça do lombo (−0,54 e 0,69, respectivamente).
Conclusão: Um modelo de aprendizado profundo baseado em imagens hiperespectrais pode prever o grau de perda por cocção do músculo SC. Isso sugere que é possível realizar uma predição não destrutiva das propriedades de qualidade das cabeças de lombo suíno utilizando imagens hiperespectrais obtidas a partir do músculo semispinalis capitis.
Kyung Jo, Seonmin Lee, Seul-Ki-Chan Jeong, Hyeun Bum Kim, Pil Nam Seong, Samooel Jung, Dae-Hyun Lee, Cooking loss estimation of semispinalis capitis muscle of pork butt using a deep neural network on hyperspectral data, Meat Science, Volume 222, 2025, 109754, ISSN 0309-1740. doi: 10.1016/j.meatsci.2025.109754