Uma nova técnica utilizando inteligência artificial (IA) se mostrou capaz de analisar imagens em tempo real para identificar o frescor da carne, otimizando o controle de qualidade do produto. A pesquisa, que foi desenvolvida no RastreIA – projeto sediado no Centro de Energia Nuclear na Agricultura (Cena) USP – apresenta uma abordagem inovadora baseada em visão computacional, com potencial para impactar diretamente a indústria de alimentos e a segurança alimentar do consumidor.

Robson Campos, doutorando no Cena e integrante do RastreIA, explica que a avaliação da qualidade da carne ainda depende, em grande parte, de análises laboratoriais – que podem ser demoradas, custosas e, muitas vezes, destrutivas, por exigirem a coleta e o preparo de amostras. Além disso, esses métodos nem sempre são viáveis para aplicações em larga escala ou em tempo real.

Segundo o pesquisador, que é um dos autores do estudo, a comprovação do frescor também tem sido majoritariamente baseada em verificações visuais humanas, o que pode gerar falhas, levando tanto ao desperdício (ao indicar que a carne está estragada quando não está), quanto a riscos à segurança alimentar (quando não identifica que existe um problema).

Neste contexto, os modelos de visão computacional, com o uso de imagens digitais, surgem como uma alternativa não destrutiva, capaz de captar com eficiência características visuais associadas ao processo de deterioração do alimento. Os modelos de IA usados para análise reconhecem padrões visuais imperceptíveis a olho nu.

“A inteligência artificial pode contribuir enormemente para a ciência dos alimentos, à medida que uma máquina com uma boa IA integrada pode verificar peça por peça em uma linha de corte de carne com precisão de quase 100%, pelo menos em relação ao frescor, agilizando a verificação, aumentando a segurança e reduzindo custos”, afirma Campos.

O Brasil assumiu, em 2025, a liderança mundial na produção de carne bovina, ao registrar cerca de 12,4 milhões de toneladas, superando Estados Unidos e China, segundo a Companhia Nacional de Abastecimento (Conab). Ao mesmo tempo, uma pesquisa realizada em 2026 pelo Instituto QualiBest indica que os consumidores demonstram crescente preocupação com a sustentabilidade, a origem e a qualidade dessa produção. Armazenamento e manuseio inadequados são fatores que impactam diretamente o odor, a cor e a textura da carne.

Ao aproveitar modelos pré-treinados e métodos otimizados de extração de características, o sistema desenvolvido no RastreIA reduz a necessidade de grandes volumes de dados e de longos processos de treinamento. Isso facilita sua implementação em ambientes industriais, como frigoríficos. Outro ponto relevante é que a análise é completamente não destrutiva, pois o método não exige contato físico com a amostra nem a utilização de reagentes químicos.

Um artigo descrevendo o treinamento de modelos de inteligência artificial (IA) para classificar o frescor da carne com base em dados de imagem foi publicado na Food Chemistry, importante revista científica internacional da área. O método proposto combina redes neurais convolucionais profundas (DCNNs), amplamente utilizadas em reconhecimento de imagens, com a ferramenta Radam (Random Encoding of Aggregated Deep Activation Maps, espécie de codificação aleatória de mapas agregados de ativação profunda), responsável por extrair e organizar características relevantes dessas imagens.

Desenvolvida por pesquisadores do Instituto de Física de São Carlos (IFSC) da USP, a Radam é capaz de reconhecer padrões complexos de textura em imagens. Diferente de modelos tradicionais, ela aproveita o conhecimento de outras IAs já treinadas e o adapta para tarefas específicas, exigindo menos dados e menor poder computacional. A tecnologia já alcançou resultados de ponta em nível mundial e pode ser aplicada em diferentes áreas, como medicina, indústria, meio ambiente e na identificação de materiais.

No estudo atual, a informações de textura da carne e de suas assinaturas bioquímicas foram processadas por algoritmos de aprendizado de máquina, que classificam a carne em diferentes estágios de frescor. O sistema foi testado em conjuntos de dados contendo imagens de carne bovina, previamente categorizadas. A abordagem alcançou níveis de precisão entre 93% e 100%, dependendo da configuração utilizada, indicando alta confiabilidade na classificação.

Ainda que os níveis de precisão tenham sido satisfatórios, os pesquisadores alertam que a avaliação foi baseada apenas em características visuais externas da carne, que podem não capturar todos os aspectos relacionados ao frescor, como alterações microbiológicas ou químicas internas. Além disso, fatores como iluminação, posicionamento da câmera e composição da amostra podem influenciar o desempenho dos modelos.

Outro desafio apontado é a variabilidade natural do alimento. Elementos como o teor de gordura, por exemplo, podem alterar a aparência da carne e impactar a precisão das classificações, sendo um aspecto ainda a ser explorado em estudos futuros, na avaliação dos cientistas.

Para eles, a visão computacional não se destina a substituir completamente os métodos analíticos convencionais; sua integração com técnicas tradicionais e avançadas mais recentes, por meio da fusão de dados, oferece uma abordagem complementar e potencialmente mais robusta.