ANÁLISE INTELIGENTE PARA APOIO À INSPEÇÃO VETERINÁRIA EM FRIGORÍFICOS BASEADA EM VISÃO COMPUTACIONAL
DOI:
https://doi.org/10.30681/rbegdr.v8i3.14507Palavras-chave:
Inteligência Artificial, Inspeção Alimentar, Controle de QualidadeResumo
O avanço das tecnologias de inteligência artificial e visão computacional tem revolucionado os processos de inspeção veterinária em frigoríficos, proporcionando maior precisão, eficiência e segurança alimentar. Este estudo teve como objetivo analisar a aplicação integrada de redes neurais convolucionais (CNNs), redes neurais recorrentes (RNNs) e Vision Transformers (ViTs) em sistemas inteligentes voltados à detecção de anomalias e controle de qualidade. A metodologia utilizada foi revisão integrativa, publicações entre 2021 e 2025, em bases científicas. Os resultados apontam que a combinação dessas arquiteturas potencializa a análise visual e preditiva, permitindo decisões automatizadas mais confiáveis e em tempo real. Conclui-se que a integração das redes neurais representa evolução significativa para modernização da inspeção alimentar, promovendo abordagem proativa, autônoma e baseada em dados.
Downloads
Referências
ALMJALLY, A.; ALMUKADI, W. S. Deep computer vision with artificial intelligence based sign language recognition to assist hearing and speech-impaired individuals. Scientific Reports, v. 15, art. 32268, 2025. DOI: 10.1038/s41598-025-09106-8. Disponível em: https://www.nature.com/articles/s41598-025-09106-8. Acesso em: 17 out. 2025.
ALVAREZ-GARCÍA, J.; LI, J.; WANG, Y.; et al. Implementing AI to measure meat quality at multiple stages of the beef value chain. International Journal of Food Science & Technology, 2024. Disponível em: https://onlinelibrary.wiley.com/doi/10.1111/ijfs.17205. Acesso em: 17 out. 2025.
ALZAHRANI, S. A. Artificial Intelligence for Skin Lesion Analysis based on Computer
Vision and Deep Learning. 2023. Tese (Doutorado), University of Liverpool. Disponível em: https://livrepository.liverpool.ac.uk/3160728/1/AlzahraniSamah_Apr2023_3160728.pdf. Acesso em: 17 out. 2025.
BLACK, M. T. Application of Multispectral Imaging for Identification of Poultry Carcass Condemnations and Fecal Contamination. 2024. Tese (Doutorado em Engenharia), Auburn University, Auburn, AL. Disponível em:
https://etd.auburn.edu/bitstream/handle/10415/9291/Full%20Thesis.pdf. Acesso em: 17 out. 2025.
BLACK, M. T.; XUE, F.; WANG, J.; et al. Detection of visible and invisible fecal contamination on chicken carcasses using multispectral fluorescence imaging and machine learning to mitigate Salmonella risks. Journal of Food Protection, v. 88, n.10, p.100613. 2025. Disponível em: https://pubmed.ncbi.nlm.nih.gov/40912660/. Acesso em: 17 out. 2025.
DING, H.; HOU, H.; WANG, L.; CUI, X.; YU, W.; WILSON, D. I. Application of
Convolutional Neural Networks and Recurrent Neural Networks in Food Safety. Foods, v. 14, n. 2, art. 247. 2025. Disponível em: https://www.mdpi.com/2304-8158/14/2/247. Acesso em: 17 out. 2025.
DU, Y.; WANG, H.; CUI, W.; ZHU, H.; GUO, Y.; DHAREJO, F. A.; ZHOU, Y. Foodborne disease risk prediction using multigraph structural long short-term memory networks: algorithm design and validation study. JMIR Medical Informatics, v. 9, n. 8, e29433, 2021. Disponível em: https://medinform.jmir.org/2021/8/e29433/. Acesso em: 17 out. 2025.
FERRI, F.; FERRARI, E.; MONTI, M.; et al. Automated detection and imaging of dorsal and lateral skin lesions for welfare assessment in pig carcasses at slaughter. Computers and Electronics in Agriculture, 2024. Disponível em:
https://www.sciencedirect.com/science/article/pii/S0168169924004496. Acesso em: 17 out. 2025.
GAO, J.; AGARWAL, R. AI Test Modeling for Computer Vision System—A Case Study. Computers, v. 14, n. 9, art. 396, 2025. DOI: 10.3390/computers14090396. Disponível em: https://www.mdpi.com/2073-431X/14/9/396. Acesso em: 17 out. 2025.
GENG, Z.; WANG, X.; JIANG, Y.; HAN, Y.; MA, B.; CHU, C. Novel IAPSO-LSTM neural
network for risk analysis and early warning of food safety. Expert Systems with Applications, v. 230, art. 120747, 2023. Disponível em:
https://www.sciencedirect.com/science/article/abs/pii/S0957417423012496. Acesso em: 17 out. 2025.
GONÇALVES, D. N.; WEBER, V. A. M.; PISTORI, J. G. B.; et al. Carcass image segmentation using CNN-based methods. Information Processing in Agriculture, 2021;8(4):603-612. Disponível em: https://dx.doi.org/10.1016/j.inpa.2020.11.004. Acesso em: 17 out. 2025.
GORJI, H. T.; SHAHABI, S. M.; SHARMA, A.; et al. Combining deep learning and fluorescence imaging to automatically identify fecal contamination on meat carcasses. Scientific Reports, 2022;12:2392. Disponível em: https://www.nature.com/articles/s41598022-06379-1. Acesso em: 17 out. 2025.
HASSAN, S. A.; KHALIL, M. A.; AULETTA, F.; FILOSA, M.; CAMBONI, D.;
MENCIASSI, A.; ODDO, C. M. Contamination Detection Using a Deep Convolutional Neural Network with Safe Machine—Environment Interaction. Electronics, v. 12, n. 20, art. 4260, 2023. Disponível em: https://www.mdpi.com/2079-9292/12/20/4260. Acesso em: 17 out. 2025.
JAMIL, S.; ATA, R. U.; LEE, Y.-D. A Comprehensive Survey of Transformers for Computer Vision. Drones, v. 7, n. 5, 287, 2023. DOI: 10.3390/drones7050287. Disponível em: https://www.mdpi.com/2504-446X/7/5/287. Acesso em: 17 out. 2025.
JEONG, K.; et al. Artificial Intelligence in Meat Processing: A comprehensive review of datadriven applications and future directions. Meat and Muscle Biology, 2025. Disponível em: https://www.iastatedigitalpress.com/mmb/article/id/20157/. Acesso em: 17 out. 2025.
LIM, H.; LEE, S.; KIM, J.; et al. Beef carcass grading with EfficientViT: a lightweight vision transformer approach. Applied Sciences, v.15, n.11, p.6302. 2025. Disponível em:
https://www.mdpi.com/2076-3417/15/11/6302. Acesso em: 17 out. 2025.
LUND, D. H.; DAMM, B. I.; KJELDSEN, A. M.; et al. Using latent class modelling to evaluate the performance of a computer vision system for pig carcass contamination. Preventive Veterinary Medicine, v.246, p.106670. 2025. Disponível em: https://pubmed.ncbi.nlm.nih.gov/40359587/. Acesso em: 17 out. 2025.
LUND, D. H.; DAMM, B. I.; KJELDSEN, A. M.; et al. Comparing computer vision models for detecting chronic pleurisy in pigs. Preventive Veterinary Medicine, v.246, 106701.2025. Disponível em: https://pubmed.ncbi.nlm.nih.gov/41056660/. Acesso em: 17 out. 2025.
SAHA, S.; BASAK, S.; DEMIR, B. Vision transformers on the edge: a comprehensive survey. Neurocomputing, 2025. (Online first). Disponível em:
https://www.sciencedirect.com/science/article/abs/pii/S0925231225012962. Acesso em: 17 out. 2025.
SUN, Z.; et al. Machine learning modelling of human visual motion perception. Nature Machine Intelligence, 2025. DOI: 10.1038/s42256-025-00924-8. Disponível em: https://www.nature.com/articles/s42256-025-00924-8. Acesso em: 17 out. 2025.
WAELEN, R. The power of computer vision – Promise, potential and peril. 2023. Tese (Doutorado), University of Twente. Disponível em: https://research.utwente.nl/en/publications/the-power-of-computer-vision-promise-potentialand-peril. Acesso em: 17 out. 2025.
WANG, Y.; DENG, Y.; ZHENG, Y.; CHATTOPADHYAY, P.; WANG, L. Vision Transformers for Image Classification: A Comparative Survey. Technologies, v. 13, n. 1, 32, 2025. DOI: 10.3390/technologies13010032. Disponível em: https://www.mdpi.com/2227-7080/13/1/32. Acesso em: 17 out. 2025.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Revista Brasileira de Estudos de Gestão e Desenvolvimento Regional
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Esta revista oferece acesso livre imediato ao seu conteúdo, seguindo o princípio de que disponibilizar de forma gratuita, a produção da comunidade científica ao público, proporciona maior democratização do conhecimento. A política é Acesso Aberto.
Adotamos a licença CC Attribution-NonCommercial 4.0, a qual permite o compartilhamento, uso, citação, adaptação, desde que citada fonte e não alterada a licença inicial. O uso da publicação para fins comerciais não é permitido. Dessa maneira não são cobradas nenhum tipo de taxa na revista.
