Meat Image: evaluation of meat quality traits by image

• Grant number: 23/01220-6
• Support Opportunities: Scholarships in Brazil - Innovative Research in Small Business - PIPE
• Start date: March 01, 2023
• End date: February 28, 2025
• Field of knowledge: Agronomical Sciences - Animal Husbandry - Animal Production
• Principal Investigator: Gregori Alberto Rovadoscki
• Grantee: Gregori Alberto Rovadoscki
• Company: Brazil Beef Quality Ltda. - ME
• CNAE: Criação de bovinos
• Associated research grant: 21/10536-1 - Meat Image: evaluation of meat quality by image, AP.PIPE

Abstract

A indústria de carne rotineiramente recebe animais para abate de diferentes categorias e características de carcaça (marmoreio, idade, sexo, espessura de gordura, raças e etc.), consequentemente, produzem cortes cárneos distintos em relação aos atributos organolépticos percebidos pelos consumidores. Constatando a deficiência na avalição de carcaças no Brasil surgiu a Brazil Beef Quality (2017), oferecendo o serviço de avaliação de carcaças e predição da qualidade de carne baseado na abordagem do Meat Standard Australia (MSA). Avaliando características como: área de olho de lombo (AOL), espessura de gordura subcutânea (EGS), marmoreio (MARM), cor de carne (CC) e gordura (CG). Atualmente, essas medidas são coletadas de forma manual e subjetiva (método clássico), apesar de apresentar bons resultados, esse tipo de avaliação é morosa e está sujeito a erros, pois a percepção humana é sensível a diversos fatores, como estresse e fadiga, situações recorrentes em um ambiente frigorifico. Diante do exposto, o objetivo deste projeto é desenvolver um algoritmo baseado em Machine Learning para avaliação de imagens utilizando dispositivo mobile para classificação de carcaças para qualidade de carne em tempo real. Serão utilizadas imagens do contrafilé de 2.000 animais previamente avaliados para AOL, EGS, MARM, CC e CG os quais serão obtidas dentro de frigoríficos parceiros da empresa no Estado de São Paulo. Para a construção desse algoritmo via Machine Learning, será utilizado por meio da transferência de aprendizagem, abordagem bem conhecida e de bom desempenho para classificação de novos objetos, o qual fornece detecção de objetos rápida e em tempo real. O algoritmo será adaptado em um sistema via API para otimizar a viabilidade operacional na indústria. (AU)