Um peito de frango descongelado e outro que nunca foi ao freezer podem parecer iguais na bandeja. A cor é parecida, a textura engana, e o consumidor raramente tem como saber a diferença. Para a inspeção e para o controle de qualidade, porém, essa diferença importa: ela diz algo sobre a história térmica do produto, sobre a cadeia do frio e, em alguns casos, sobre a honestidade do que está escrito no rótulo. A pergunta que dois estudos recentes tentam responder é simples de formular e difícil de provar: uma câmera, ensinada por um algoritmo, consegue enxergar o que o olho humano mal distingue?
A resposta curta é: em laboratório, com fotos bem controladas, os resultados são bons. A resposta honesta é mais longa, e é ela que interessa a quem trabalha com inspeção.
O que a ciência encontrou
O primeiro trabalho vem do Irã. Arash Biabanian, Seyed Vahab Shojaedini e Nima Misaghi publicaram em março de 2026, no Journal of World’s Poultry Research, um estudo que classificou imagens de carne de frango em três categorias: fresca, descongelada e deteriorada. Os pesquisadores amostraram 60 carcaças de frangos Ross 308, com cerca de 42 dias, em um único abatedouro em Shahriyar, na região de Teerã. Usaram apenas o peito desossado, cortado em pedaços de cerca de 5 × 5 cm.
As três classes não foram “encontradas” no mercado: foram fabricadas em laboratório. A carne “fresca” ficou a até 4 °C por no máximo 72 horas após o abate. A “descongelada” foi congelada a −18 °C por 48 horas e depois descongelada a 25 °C. A “deteriorada” passou cinco dias a 25 °C, até mostrar escurecimento, limo superficial e odor desagradável. As fotos foram feitas com um celular fixo em um suporte, dentro de uma caixa com iluminação controlada, e depois convertidas para tons de cinza antes do treino. O resultado foi um banco de 1.800 imagens, 600 por classe.
Os autores testaram sete arquiteturas de redes neurais, a maioria pré-treinada no ImageNet, um grande banco de imagens genéricas. A melhor foi a VGG19, com acurácia média de cerca de 94,3% no conjunto de teste de 369 imagens. Por classe, ela acertou 98,37% das imagens de carne deteriorada, 95,22% das frescas e 89,43% das descongeladas. MobileNet (92,82%) e DenseNet121 (91,86%) vieram logo atrás; uma rede convolucional simples, sem pré-treino, ficou em 72,35%. Três avaliadores descritos como inspetores experientes rotularam as imagens, e o artigo relata concordância elevada entre eles (kappa de 0,91).
O segundo trabalho é brasileiro. Marcelo Massarelli Hidalgo e Gabriel Adrian Sarriés, da Esalq/USP, e Robson Campos de Lima, Elisabete Aparecida De Nadai Fernandes e Márcio Arruda Bacchi, do Cena/USP, publicaram em 2025 na Food Chemistry um método para classificar o frescor de carne bovina e de frango a partir de imagens. A estratégia é engenhosa: em vez de treinar uma rede do zero, eles extraem características de redes já treinadas, condensam essas informações com uma técnica de codificação chamada RADAM e entregam o resultado a classificadores tradicionais de aprendizado de máquina. Segundo o resumo do artigo, as métricas de classificação ficaram entre 93% e 100% em três conjuntos de dados públicos, com diferentes configurações. Os autores afirmam que a abordagem supera resultados da literatura com um método mais simples e que pode ser uma solução prática para a indústria. O trabalho está vinculado a um projeto temático da Fapesp.
Os limites dos estudos
Aqui está a parte que costuma sumir das manchetes.
No estudo iraniano, os próprios autores reconhecem que os resultados podem não se generalizar: um só abatedouro, uma só câmera, uma só caixa de fotos, imagens em tons de cinza e nenhuma validação externa. Sessenta aves representam pouca variabilidade biológica. E há um detalhe de desenho que merece atenção: as três classes foram criadas a partir dos mesmos pedaços de carne, e o artigo não informa se a separação entre imagens de treino e de teste foi feita por peça ou por foto. Se imagens do mesmo pedaço caíram dos dois lados, o modelo pode ter aprendido a reconhecer a peça, e não o estado da carne. O texto também apresenta algumas inconsistências numéricas internas, como a diferença de desempenho em relação à rede simples, descrita como “cerca de 9%” quando os números indicam algo próximo de 22 pontos percentuais.
O ponto mais importante, porém, é o que o estudo encontrou sobre si mesmo: os erros se concentraram justamente entre “fresca” e “descongelada”. A carne estragada é a mais fácil de reconhecer, inclusive para pessoas. A diferença que mais interessa à fiscalização de autenticidade é a que o modelo mais confunde.
No estudo da USP, os bancos são públicos e curados, com fotos produzidas em condições que não reproduzem uma linha industrial. Acurácias próximas de 100% em bancos desse tipo são um bom sinal metodológico, mas não são evidência de desempenho em planta. Pelo que foi possível verificar, não há teste em ambiente industrial. O algoritmo vê o que foi treinado para ver.
O que já se sabia
Esses resultados se somam a um quadro conhecido. Uma revisão sistemática de Sandberg e colaboradores, publicada na Food Control em 2023, analisou 62 artigos sobre visão computacional para segurança da carne em abatedouros. A maioria relatava sensibilidade e especificidade acima de 80%, mas apenas três avaliaram os sistemas em tempo real contra o médico-veterinário oficial. A literatura era dominada pelo frango (53 dos 62 artigos), com poucos estudos em suínos e bovinos.
Os dois trabalhos de hoje confirmam a tendência: modelos pré-treinados funcionam muito bem em imagens controladas. Eles não contradizem o consenso, mas também não o superam no ponto crítico, que é a passagem do laboratório para a linha. Vale lembrar ainda que frescor e segurança não são sinônimos. Uma carne pode parecer fresca e carregar Salmonella ou Listeria; patógenos não mudam a cor da superfície. Classificar frescor por imagem é uma ferramenta de qualidade e de triagem, não um teste microbiológico. O perigo nem sempre tem cheiro, cor ou sabor.
O que isso pode mudar na prática
Com a evidência atual, o uso mais realista é como apoio de triagem: sinalizar lotes ou peças para que uma pessoa examine com mais cuidado. Os próprios autores iranianos chegam a essa conclusão ao descrever a ferramenta como auxílio de triagem, sobretudo para detectar carne deteriorada, e ao condicionar o uso à calibração de câmera, de iluminação e de limiares por classe.
A distinção entre fresco e descongelado tem interesse direto para o Brasil. A venda de produto descongelado como resfriado é uma questão de rotulagem e de possível fraude, e a quebra da cadeia do frio é um risco sanitário. Um sensor visual barato que ajudasse a priorizar amostras para análise laboratorial seria útil para indústria e fiscalização. Mas, antes de qualquer compra ou norma, faltam perguntas que nenhum dos dois estudos respondeu: como o modelo se comporta com outras raças, cortes, embalagens e luzes? Qual é a taxa de falso negativo, ou seja, quantas peças descongeladas passariam como frescas? Quem responde quando a máquina erra?
A lacuna que o Brasil precisa preencher é clara: estudos com amostras de plantas brasileiras, separação rigorosa entre treino e teste, validação externa em mais de um estabelecimento e comparação com métodos de referência. O país tem escala, tem grupos de pesquisa competentes, como mostra o próprio trabalho da USP, e tem um serviço de inspeção capaz de definir o que significa “bom o suficiente”.
Conclusão
A câmera já consegue separar carne estragada de carne fresca com muita facilidade, e começa a distinguir a descongelada. Isso é um avanço real. O estudo não diz que a IA substitui o exame, a análise laboratorial ou o julgamento de quem inspeciona. Diz que, em condições controladas, a máquina aprende padrões visuais com boa acurácia. Entre esse resultado e uma ferramenta confiável na linha existe um caminho de validação que ainda precisa ser percorrido, de preferência com dados brasileiros. Por trás de um carimbo existe ciência, responsabilidade e saúde pública, e é exatamente essa régua que a tecnologia precisa alcançar.
Referências
- Biabanian A., Shojaedini S.V., Misaghi N. (2026). Assessment of Chicken Meat Quality Through Categorized Image Analysis Using Artificial Intelligence. Journal of World’s Poultry Research, 16(1): 31-41. DOI 10.36380/jwpr.2026.4 — https://jwpr.science-line.com/attachments/article/88/JWPR16(1)31-41,2026.pdf
- Hidalgo M.M., Lima R.C., De Nadai Fernandes E.A., Bacchi M.A., Sarriés G.A. (2025). Leveraging pre-trained computer vision models for accurate classification of meat freshness. Food Chemistry, 495, 146430. DOI 10.1016/j.foodchem.2025.146430 — https://doi.org/10.1016/j.foodchem.2025.146430
- Registro do artigo no Repositório da Produção USP — https://repositorio.usp.br/item/003271757
- Registro do artigo na Biblioteca Virtual da Fapesp — https://bv.fapesp.br/pt/publicacao/285599/
- Sandberg M. et al. (2023). Applications of computer vision systems for meat safety assurance in abattoirs: A systematic review. Food Control, 150, 109768. DOI 10.1016/j.foodcont.2023.109768 — https://livrepository.liverpool.ac.uk/id/eprint/3169416
Leia também no Além do Carimbo: “99,2% no teste, 96,7% na vida real: por que a câmera que inspeciona alimentos precisa provar mais do que acurácia” e ““No freezer nada estraga”? O mito do congelamento que mata bactérias — e o que o frio realmente faz”.
Deixe um comentário