p Embora a carne bovina seja um dos alimentos mais consumidos em todo o mundo, comê-lo quando já passou do seu auge não é apenas desagradável, mas também apresenta alguns riscos graves para a saúde. Infelizmente, os métodos disponíveis para verificar o frescor da carne bovina têm várias desvantagens que os impedem de serem úteis ao público. Por exemplo, as análises químicas ou avaliações da população microbiana levam muito tempo e requerem as habilidades de um profissional. Por outro lado, abordagens não destrutivas baseadas em espectroscopia no infravermelho próximo requerem equipamentos caros e sofisticados. A inteligência artificial poderia ser a chave para uma maneira mais econômica de avaliar o frescor da carne bovina? p No Instituto de Ciência e Tecnologia de Gwangju (GIST), Coréia, uma equipe de cientistas liderada pelos Processadores Associados Kyoobin Lee e Jae Gwan Kim desenvolveram uma nova estratégia que combina aprendizado profundo com espectroscopia de refletância difusa (DRS), uma técnica óptica relativamente barata. "Ao contrário de outros tipos de espectroscopia, O DRS não requer calibração complexa; em vez de, pode ser usado para quantificar parte da composição molecular de uma amostra usando apenas um espectrômetro acessível e facilmente configurável, "explica Lee. As descobertas do estudo foram publicadas agora em Química Alimentar .

p Para determinar o frescor das amostras de carne bovina, eles confiaram em medições DRS para estimar as proporções de diferentes formas de mioglobina na carne. A mioglobina e seus derivados são as proteínas principais responsáveis ​​pela cor da carne e suas alterações durante o processo de decomposição. Contudo, converter manualmente as medições DRS em concentrações de mioglobina para finalmente decidir sobre o frescor de uma amostra não é uma estratégia muito precisa - e é aqui que o aprendizado profundo entra em ação.

p Redes neurais convolucionais (CNN) são algoritmos de inteligência artificial amplamente usados ​​que podem aprender a partir de um conjunto de dados pré-classificado, referido como 'conjunto de treinamento, 'e encontrar padrões ocultos nos dados para classificar novas entradas. Para treinar a CNN, os pesquisadores coletaram dados em 78 amostras de carne durante o processo de deterioração medindo regularmente o pH (acidez) ao lado de seus perfis DRS. Depois de classificar manualmente os dados DRS com base nos valores de pH como 'fresco, ' 'normal, 'ou' estragado, 'eles alimentaram o algoritmo com o conjunto de dados DRS rotulado e também fundiram essas informações com estimativas de mioglobina. "Ao fornecer informações espectrais e de mioglobina, nosso algoritmo de aprendizado profundo treinado poderia classificar corretamente o frescor das amostras de carne em questão de segundos em cerca de 92% dos casos, "destaca Kim.

p Além de sua precisão, os pontos fortes desta nova estratégia estão em sua velocidade, baixo custo, e de natureza não destrutiva. A equipe acredita que pode ser possível desenvolver pequenos, dispositivos espectroscópicos portáteis para que todos possam avaliar facilmente o frescor de sua carne, até em casa. Além disso, espectroscopia semelhante e técnicas baseadas em CNN também podem ser estendidas a outros produtos, como peixes ou carne de porco. No futuro, com alguma sorte, será mais fácil e mais acessível identificar e evitar carnes questionáveis.