Um estudo conduzido no Programa de Pós-Graduação em Zootecnia da Universidade Federal de Viçosa (UFV) desenvolveu um método automatizado e de baixo custo para estimar a gordura subcutânea em carcaças bovinas por meio de imagens bidimensionais (2D). A inovação utiliza câmeras simples e técnicas de visão computacional aliadas à inteligência artificial, oferecendo uma alternativa eficiente aos métodos tradicionais, que são subjetivos, dependem da experiência do avaliador e, muitas vezes, envolvem procedimentos invasivos.
O trabalho é assinado pela pesquisadora Nathalia Farias de Souza, sob orientação dos professores Érica Beatriz Schultz e Mário Luiz Chizzotti, e surgiu da necessidade de padronizar as análises de qualidade da carne, especialmente no ambiente industrial. Segundo Nathalia, a mensuração da gordura de cobertura é fundamental para determinar a qualidade da carne, o rendimento e o valor comercial do animal.
A pesquisadora explica que o nível de gordura influencia toda a cadeia produtiva. Quando adequado, melhora a maciez, reduz perdas por resfriamento e valoriza a carcaça. Já níveis insuficientes causam perdas econômicas e comprometem a qualidade, enquanto o excesso eleva custos de produção e gera descontos no frigorífico. “Até agora, os métodos convencionais variavam de acordo com o avaliador e as condições do ambiente. Nosso objetivo foi desenvolver um método automatizado, não destrutivo e acessível, utilizando sensores de baixo custo”, afirma.
Inteligência artificial a serviço da pecuária
Para viabilizar o método, os pesquisadores capturaram imagens 2D das carcaças com câmeras comuns e aplicaram redes neurais convolucionais, com destaque para o modelo YOLOv11, capaz de identificar e segmentar automaticamente regiões como a carcaça, o músculo exposto e o epimísio. A partir dessas segmentações, foram calculados descritores morfológicos que permitem estimar com alta precisão a quantidade de gordura de cobertura.
Segundo os autores, o grande diferencial do estudo foi demonstrar que sensores simples, combinados a algoritmos de aprendizado de máquina, produzem resultados robustos mesmo em ambientes desafiadores, como frigoríficos, onde há pouca padronização de iluminação e posicionamento. “As métricas de desempenho, com precisão e recall acima de 0,9, comprovam a viabilidade do uso de imagens 2D para avaliação de carcaças em situações reais”, destaca a professora Érica Schultz.
O grupo trabalha agora nos ajustes finais do código em Python, que executará automaticamente o processo completo: aplicação dos modelos de segmentação, extração das máscaras das regiões de interesse e cálculo da razão entre a área segmentada de gordura e a área total da carcaça. O procedimento permitirá quantificação objetiva e padronizada da gordura de cobertura.
Impacto para a cadeia produtiva e para a pesquisa
Além de aplicações diretas na indústria frigorífica e em programas de melhoramento genético, a pesquisa contribui para o avanço científico na área de zootecnia ao ampliar o uso de visão computacional na análise fenotípica animal. O professor Mário Chizzotti ressalta que a abordagem pode apoiar políticas públicas e contribuir para a modernização dos sistemas de inspeção e classificação de carcaças no Brasil. “Trata-se de um passo importante rumo à digitalização da pecuária de corte e reforça o papel da UFV como referência em pesquisa e inovação no setor agropecuário”, afirma. O trabalho foi apresentado e premiado no 34º Congresso Brasileiro de Zootecnia (Zootec 2025), realizado em outubro, em Salvador (BA). A pesquisa integra o projeto financiado pela Fapemig – Rede de Inteligência Artificial Aplicada à Pecuária Digital – em parceria com o INCT – Ciência Animal e o iData/UFV. A iniciativa está alinhada aos Objetivos do Desenvolvimento Sustentável (ODS) 9 — Indústria, Inovação e Infraestrutura — e 12 — Consumo e Produção Responsáveis.
