0
Objectivo: Este estudo avaliou o rendimento de um modelo baseado em aprendizagem profunda que prevê a perda por cozedura no músculo semispinalis capitis (SC) da cabeça do lombo de porco utilizando imagens hiperespectrais recolhidas 24 horas post mortem.
Métodos e resultados: Os modelos de regressão de componentes principais (PCR) e de regressão de mínimos quadrados parciais (PLSR) para prever a perda de cozedura no músculo SC apresentaram valores R2 mais elevados com a correção multiplicativa do sinal, enquanto a primeira derivada resultou num erro quadrático médio inferior (RMSE). O modelo baseado em aprendizagem profunda superou os modelos PCR e PLSR. A precisão da classificação dos modelos para a classificação do grau de perda por cozedura diminuiu à medida que o número de graus aumentou, com os modelos com três graus a obterem a maior precisão de classificação. O modelo de aprendizagem profunda teve a maior precisão de classificação (0,82). A perda por cozedura no músculo SC foi visualizada utilizando um modelo de aprendizagem profunda. O pH e a perda por cozedura do músculo SC correlacionaram-se significativamente com a perda por cozedura dos filetes de cabeça de lombo (-0,54 e 0,69, respetivamente).
Conclusão: Por conseguinte, um modelo de aprendizagem profunda que utiliza imagens hiperespectrais pode prever o grau de perda de cozedura do músculo SC. Isto sugere que é possível fazer uma previsão não destrutiva das propriedades de qualidade das cabeças de lombo de porco utilizando imagens hiperespectrais obtidas do músculo SC.
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
