Imagens termográficas de carcaças bovinas para predição da temperatura e pH do Longissimus thoracis

Abstract

Imagens termográficas de carcaças bovinas para predição da temperatura e pH do Longissimus thoracis. Orientadora: Erica Beatriz Schultz. Objetivou-se predizer a temperatura e o pH do Logissimus thoracis de carcaças bovinas com base em imagens termográficas e no peso da carcaça quente. Imagens térmicas de 102 carcaças de carne bovina foram usadas para extrair características de temperatura. O algoritmo de aprendizado de máquina, Random Forest foi ajustado para a predição. As predições da temperatura Logissimus thoracis da carcaça quente foram obtidas com um coeficiente de determinação (R²) de 0,06, erro de raiz quadrada média (RMSE) de 2,13 e erro absoluto médio (MAE) de 1,55. O peso da carcaça contribuiu para a predição da temperatura da carcaça resfriada, especialmente com imagens obtidas às 0h (R² = 0,68, MAE = 1,12 e RMSE = 1,34) e 24h (R² = 0,78, MAE = 1,02 e RMSE = 1,22). Ambos os modelos apresentaram precisão e exatidão. O pH Logissimus thoracis da carcaça quente foi predito com precisão e exatidão usando dados extraídos de imagens às 0h (R² = 0,82, MAE = 0,11, RMSE = 0,13). Da mesma forma, o pH às 24h na carcaça resfriada foi predito com dados de imagens capturadas às 0h e o peso da carcaça quente (R² = 0,70, MAE = 0,19, RMSE = 0,24). Assim, este estudo demonstra a viabilidade de prever o pH e a temperatura do Longissimus thoracis de carcaças bovinas usando recursos de imagens termográficas e o peso da carcaça quente. Palavras-chave: Aprendizado de máquina, Carne bovina, Precisão, Termografia.This study aimed to predict the temperature and pH of Logissimus thoracis of beef carcasses based on thermographic images and hot carcass weight. Thermal images of 102 beef carcasses were used to extract temperature features. The Random Forest machine learning (ML) algorithm was fine-tuned for prediction. Accurate predictions of hot carcass temperature were achieved with a coefficient of determination (R²) of 0.06, root-mean-square error (RMSE) of 2.13 and mean absolute error (MAE) of 1.55. Carcass weight played a considerable role in predicting chilled carcass temperature, particularly with images taken at 0 h (R² = 0.68, MAE = 1.12, and RMSE = 1.34) and 24 h (R² = 0.78, MAE = 1.02, and RMSE = 1.22). Both models exhibited precision and accuracy. The pH of the hot carcass was successfully predicted with precision and accuracy using data extracted from images at 0h (R² = 0.82, MAE = 0.11, RMSE = 0.13). Similarly, the pH of the cold carcass could be predicted using data from images captured at 0 h and the weight of the hot carcass (R² = 0.70, MAE = 0.19, RMSE = 0.24). Thus, this study demonstrates the feasibility of predicting pH and temperature using features from thermographic images and hot carcass weight. Keywords: Accuracy, Beef, Machine learning, Thermography.