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

Resumo

Avaliar a qualidade da carne é sempre grande preocupação em todas as etapas da indústria de alimentos. 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 espectroscopia de imagem, uma ferramenta que une as vantagens das técnicas de espectroscopia às vantagens das técnicas de visão computacional, será empregada para melhorar a eficiência da avaliação da qualidade da carne bovina. O presente projeto de pesquisa tem por objetivo utilizar a imagem hiperespectral no infravermelho próximo para predizer a maciez, composição química e atributos sensoriais da carne de bovinos Nelore. É também objetivo desse trabalho construir mapas de distribuição dessas características para que se possa estudar como se dá a variabilidade de cada uma delas entre uma amostra e outra e, até mesmo dentro de uma mesma amostra. Para tanto, foram utilizadas 94 amostras do músculo Longissimus dorsi (contrafilé) e 94 amostras do músculo Biceps femoris (Picanha) de bovinos Nelore provenientes de sistema de terminação em confinamento. Cada amostra foi avaliada seguindo metodologia tradicional (análises de referência) para maciez, matéria seca, proteína bruta, lipídios e matéria mineral. Também foram mensurados pH e temperatura, 1 e 24 horas post mortem. Para cada amostra, uma imagem hiperespectral foi adquirida na faixa espectral de 1000 a 2500 nm. Os dados espectrais e espaciais serão analisados por técnicas quimiométricas de análise multivariada de dados e serão construídos modelos preditivos para cada uma das características em estudo. Espera-se que os modelos preditivos gerados no presente trabalho sejam eficientes para classificar qualitativa e quantitativamente amostras de carne bovina e ainda, que possam ser utilizados para construção de imagens químicas e de maciez, que possivelmente irão melhorar a compreensão da variabilidade das características em estudo, dentro, e entre amostras. (AU)