ABSTRACT
Intramuscular fat (IMF) influences important quality characteristics of meat, such as flavor, juiciness, palatability, odor and tenderness. Thus, the objective of this study was to apply the following image processing techniques to quantify the IMF in beef: palette; sampling, interval of coordinates; black and white threshold; and discriminant function of colors. Thirty-five samples of beef, with a wide range of IMF, were used. Color images were taken of the meat samples from different muscles, with variability in the IMF content. The IMF of a thin cross-section meat was determined by chemical lipid extraction and was predicted by image analysis. The chemical method was compared with the image analysis. The segmentation procedures were validated by the adjustment of a linear regression equation to the series of values that were observed and predicted, as well as the regression parameters evaluated by the F-test. The predictive power of these approaches was also compared by residual analysis and by the decomposition of the mean square deviations. The results showed that the discriminant function was the best color segmentation method to measure intramuscular fat via digital images, but required adjustments in the prediction pattern.
A gordura intramuscular (GIM) influencia importantes características qualitativas da carne, tais como: sabor, suculência, palatabilidade, odor e maciez. Assim, objetivou-se aplicar diferentes técnicas de processamento de imagem para quantificar a GIM na carne bovina: paleta, amostragem, intervalo de coordenadas, limiar de preto e branco e função discriminante de cores. Foram utilizadas 35 amostras de bifes com uma ampla gama de GIM. Foram capturadas imagens coloridas das amostras de carne de diferentes músculos com uma variabilidade no conteúdo de GIM. A gordura intramuscular da secção transversal e fina de carne foi determinada por extração química dos lipídios e predita por análise de imagem. O método químico foi comparado com a análise de imagem. Os procedimentos de segmentação foram validados pelo ajustamento de uma equação de regressão linear na série de valores observados e preditos e os parâmetros da regressão avaliados pelo teste F. O poder preditivo destas aproximações também foi comparado por meio de análise residual e pela decomposição do quadrado médio dos desvios. Os resultados mostraram que a função discriminante foi o melhor método de segmentação da cor para mensurar a gordura intramuscular via imagem digital, mas necessita de ajustes no padrão de predição.