Desenvolvimento e validação de modelos preditivos baseados em um espectrômetro portátil e imagem hiperspectral NIR e machine learning para previsão da composição de larvas de mosca soldado negro (Hermetia illucens)

Resumo

Com o atual crescimento da população, a indústria de alimentos está procurando fontes sustentáveis de alimentos. Os insetos comestíveis são vistos como uma fonte sustentável de proteína e gordura, que podem ajudar a suprir o déficit de alimentos no mundo. Neste grupo, a larva da mosca soldado negro (Hermetia illucens) tem despertado grande interesse por ser capaz de transformar rapidamente (~14 dias) resíduos orgânicos em proteína de alta qualidade, assim como em gordura, quitina e minerais. A indústria de produção de insetos está crescendo no mundo, incluindo o Brasil. Por isso, é preciso desenvolver metodologias de análise da qualidade da larva e da farinha da larva de forma rápida e eficiente. A espectroscopia do infravermelho próximo (NIRS) permite desenvolver uma metodologia de análise não destrutiva, rápida e com um mínimo de preparação de amostra. Os espectrômetros NIR portáteis têm surgido como forma de realizar medições in situ devido ao seu desenho ergonômico, à facilidade de transportá-los e ao seu custo relativamente barato. Por outro lado, as imagens hiperespectrais NIR fornecem, simultaneamente, informação espectral (química) e espacial (física) de toda a região de interesse sem necessidade de contato com a amostra. Por estes motivos, eles podem ser uma alternativa para os métodos tradicionais, permitindo um melhor controle de qualidade das larvas de mosca soldado negro. Assim, este projeto visa ao desenvolvimento e validação de modelos preditivos baseados em espectrômetros NIR portáteis ou imagens hiperespectrais e machine learning para a previsão da composição química de larvas de mosca de soldado negro, mais especificamente conteúdo de gordura, de proteína e perfil de ácidos graxos.