MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection

Resumo Técnico: MyoVision e Detecção de Miopatia em Peito de Frango

1. Problema e Motivação

As miopatias Peito Lenhoso (Woody Breast - WB) e Carne Espaguete (Spaghetti Meat - SM) impactam severamente a qualidade da carne de frango, causando alterações de textura, redução da capacidade de retenção de água e perdas econômicas significativas.

• Desafios Atuais: A detecção atual depende de avaliação manual subjetiva (palpação/inspeção visual), que sofre de fadiga do operador e baixa reprodutibilidade, ou de sistemas de imagem de laboratório (hiperespectrais, espectroscopia NIR) que são caros, exigem hardware especializado e ambientes controlados, limitando a escalabilidade em linhas de processamento reais.
• Objetivo: Desenvolver uma solução de baixo custo, não destrutiva e baseada em smartphones para a classificação multiclasse (Normal, WB, SM) de miopatias, integrando aquisição de dados e otimização automática de modelos.

2. Metodologia

O trabalho propõe o MyoVision, um framework que combina aquisição de imagem por transiluminação em smartphones com um modelo de ensemble otimizado por neuroevolução.

A. Aquisição de Dados (MyoVision)

• Hardware: Aplicativo nativo iOS capturando imagens RAW de 14 bits (formato DNG) através de transiluminação (luz branca de banda larga passando pelo filé).
• Multimodalidade: O sistema integra captura de imagem 2D, sensores LiDAR (para nuvens de pontos 3D e reconstrução de malha), e ferramentas de segmentação (SAM) e análise assistida por IA (ChatGPT).
• Processamento: As imagens RAW são convertidas em descritores estruturais manuais (handcrafted) em vez de usar redes neurais profundas diretamente nas imagens, preservando a integridade radiométrica.

B. Extração de Características
Foram extraídos 16 descritores estruturais de imagens em escala de cinza, incluindo:

• Estatísticas de magnitude de gradiente (média, desvio padrão).
• Variância de intensidade local e densidade de bordas.
• Histogramas de gradiente direcional.
• Descritores de frequência usando filtros Gabor multi-orientação (para capturar alinhamento de fibras musculares).
• Análise morfológica de áreas de tecido denso.

C. Arquitetura do Modelo: NEATBoost-Attention Ensemble
Para classificar as três categorias, os autores propõem um ensemble híbrido otimizado por NeuroEvolution of Augmenting Topologies (NEAT):

1. Base Learners:
   • LightGBM: Um modelo de árvore de decisão de gradiente boost.
   • AttentionMLP: Um Perceptron Multicamada (MLP) com mecanismo de atenção para reponderar descritores de entrada.
2. Otimização via NEAT:
   • Em vez de ajuste manual de hiperparâmetros, o NEAT evolui topologias de redes neurais simples que geram configurações de hiperparâmetros para ambos os modelos.
   • O processo utiliza seleção, cruzamento, mutação e especiação para descobrir configurações ótimas em espaços de dados tabulares pequenos e heterogêneos.
3. Fusão:
   • As previsões dos modelos otimizados são combinadas através de fusão ponderada de probabilidades, onde os pesos são otimizados via algoritmo Simplex de Nelder-Mead para maximizar o F1-score ponderado.

3. Resultados

O modelo foi avaliado em um conjunto de dados de 336 filés coletados em uma instalação comercial (251 para treino/validação, 51 para teste).

• Desempenho: O ensemble NEATBoost-Attention alcançou 82,4% de acurácia no conjunto de teste, com um F1-score ponderado de 0,83.
• Comparação: Superou as linhas de base convencionais (LightGBM puro, AttentionMLP puro, TabularCNN, LightTransformer), que variaram entre 73% e 79% de acurácia no teste.
• Análise por Classe:
  • Peito Lenhoso (WB): Maior precisão e recall, devido às características estruturais fortes (densidade e rigidez) capturadas pela transiluminação.
  • Carne Espaguete (SM): A classe mais desafiadora (recall ~70%), apresentando sobreposição significativa no espaço de características com as classes "Normal" e "WB", devido às suas características estruturais intermediárias.
• Eficiência: O desempenho é comparável a sistemas de imagem hiperespectral que custam ordens de magnitude mais, mas utilizando hardware de consumo.

4. Contribuições Principais

1. Framework de Imagem Transiluminada em Smartphone: Uma solução de baixo custo que captura padrões de atenuação de luz 2D integrados espacialmente para avaliar miopatias internas sem hardware óptico especializado.
2. Ensemble Otimizado por Neuroevolução (NEATBoost-Attention): Uma abordagem inovadora que utiliza NEAT para automatizar a descoberta de hiperparâmetros e topologias em modelos de ensemble (LightGBM + MLP com atenção), eliminando o ajuste manual e lidando bem com conjuntos de dados pequenos.
3. Plataforma de Pesquisa Móvel Unificada: O MyoVision não é apenas um classificador, mas uma plataforma completa que integra captura RAW, aquisição 3D (LiDAR), reconstrução de malha, segmentação automática e análise assistida por IA, estabelecendo um pipeline reprodutível para coleta de dados multimodais RGB-D.

5. Significado e Conclusão

Este trabalho demonstra que sensores de smartphones de consumo podem suportar avaliações internas de tecido de qualidade de carne, democratizando o acesso a ferramentas de inspeção de alta qualidade.

• Impacto Industrial: Oferece uma alternativa escalável e flexível aos sistemas de laboratório caros, permitindo potencialmente a integração em linhas de processamento reais.
• Avanço Científico: Valida a eficácia de descritores de textura baseados em transiluminação combinados com otimização evolutiva para problemas agrícolas complexos.
• Futuro: O estudo sugere que a integração de descritores geométricos 3D (LiDAR) e dados de múltiplas instalações pode melhorar ainda mais a detecção de variações sutis, como a Carne Espaguete, que permanece desafiadora apenas com imagens 2D.

Em resumo, o MyoVision representa um avanço significativo na interseção entre visão computacional móvel, aprendizado de máquina evolutivo e segurança alimentar, provando que soluções acessíveis podem rivalizar com equipamentos de laboratório de alto custo para tarefas de classificação de miopatias.