USAGE OF THEN NEURAL NETWORK TO PREDICT MEAT TENDERNESS APPROACH
A maciez da carne é um dos principais atributos qualitativos procurados pelos consumidores na compra de carne bovina. Dentre as várias propriedades da carne, a maciez é uma das mais apreciadas pelo público que compra esse tipo de alimento. A maciez da carne é influenciada por diversos fatores na constituição, desde fatores genéticos, alimentares, ambientais é a maciez avaliada no post-mortem do animal é uma medida direta e objetiva a ser quantificada. Essa propriedade é obtida através de testes mecânicos já conhecidos na literatura, obtendo-se a força de cisalhamento necessária para romper o conjunto de fibras musculares do tecido examinado. Desta forma, este trabalho estima a maciez da carne de forma não destrutiva através do uso de técnicas computacionais utilizando aprendizado de máquina, como o uso de redes neurais artificiais, para quantificar a dependência de variáveis que podem ser obtidas sem a destruição da amostra, mas que obtêm uma aproximação satisfatória na obtenção da força de cisalhamento das amostras de filé mignon analisadas. Assim, para avaliar os parâmetros de maciez, foram utilizadas medições feitas a partir de testes para os valores de PH, cor da amostra, peso da carcaça quente, área de olho de lombo, raça, sexo, imagens infravermelha e ultravioleta e força de cisalhamento das amostras de filé. Dessa forma, o objetivo da rede neural foi encontrar a dependência das variáveis da força de cisalhamento necessária para romper as fibras da amostra. Para isso, foi utilizado um modelo cruzado de dados conhecido como Random Forest para treinamento da rede neural foi realizado com base nos dados presentes, e foi obtido um erro médio de 20% em relação ao valor obtido para a força de cisalhamento através do ensaio mecânico. Observou-se que os valores de previsão da força de cisalhamento são diretamente influenciados pelo número de variáveis a serem introduzidas no aprendizado de máquina, bem como pelo número de amostras observadas.
USAGE OF THEN NEURAL NETWORK TO PREDICT MEAT TENDERNESS APPROACH
-
DOI: 10.22533/at.ed.3173172331055
-
Palavras-chave: Aprendizado de Máquina, Métodos Computacionais, Predição, Maciez, Aprendizagem Profunda
-
Keywords: Machine Learning, Computational Methods, Prediction, Tenderness, DeepLearning
-
Abstract:
Meat tenderness is one of the main qualitative attributes sought after by consumers when purchasing beef. Among the various properties of meat, tenderness is one of the most appreciated by the public that buys this type of food. The tenderness of the meat is influenced by several factors in the constitution, from genetic, food, and environmental factors is the tenderness evaluated in the post-mortem of the animal is a direct and objective measure to be quantified. This property is obtained through mechanical tests already known in the literature, by obtaining the shear force necessary to break the set of muscle fibers of the tissue examined. In this way, this paper estimates the tenderness of the meat in a non-destructive way through the use of computational techniques using machine learning, such as the use of artificial neural networks, to quantify the dependence of variables that can be obtained without the destruction of the sample, but that obtain a satisfactory approximation in obtaining the shear force of the analyzed beef tenderloin samples. Thus, to evaluate the tenderness parameters, measurements made from tests were used for the values of PH, sample color, hot carcass weight, loin eye area, breed, sex, infrared and ultraviolet images, and shear force of fillet samples. In this way, the objective of the neural network was to find the dependence of the variables on the shear force necessary to break the fibers of the sample. For this, a cross-data model known as Random Forest was used for training neural network was performed based on the present data, and an average error of 20% was obtained compared to the value obtained for the shear force through the mechanical test. It was observed that the shear force prediction values are directly influenced by the number of variables to be introduced in machine learning, as well as the number of observed samples.
- Gabriel Furini
- Ana Cristina Dornelles Gomes
- Angelo Polizel Neto
- Heinsten Frederich Leal dos Santos
