Deep Learning-Based Non-Destructive Seafood Freshness Assessment: A Systematic Review of Sensing Technologies, Validation, and Deployment Readiness

A jornada de um peixe do oceano até o prato é uma corrida contra o tempo. Uma vez capturado, o fruto do mar começa a mudar quimicamente e biologicamente, um processo impulsionado por bactérias, pela decomposição de proteínas e pela oxidação de gorduras. Essas mudanças alteram o cheiro, a textura e a aparência do alimento, levando eventualmente à deterioração. Durante décadas, determinar se um peixe ainda está seguro para o consumo dependeu de métodos que eram lentos, exigiam um laboratório ou destruíam o próprio produto. Um cientista pode precisar abrir um peixe, triturá-lo e realizar testes químicos para medir o acúmulo de compostos específicos, como nitrogênio volátil ou a contagem de bactérias vivas. Embora preciso, essa abordagem significa que o próprio peixe sendo testado não poderá mais ser vendido. A indústria de alimentos e os consumidores buscam há muito tempo uma maneira de espiar a qualidade dos frutos do mar sem romper o selo ou arruinar a captura.

Uma nova revisão sistemática publicada em outubro de 2026 por pesquisadores da Universitas Muhammadiyah Semarang explora como a inteligência artificial está entrando nesse hiato. Os autores, Muhammad Munsarif e Richmond Ampah-Mensah, reuniram e analisaram trinta e dois estudos recentes para ver se o aprendizado profundo (deep learning) — um tipo poderoso de programa de computador que aprende com dados — pode julgar com precisão o frescor dos frutos do mar sem tocá-los. Eles examinaram uma ampla gama de tecnologias, desde câmeras padrão que tiram fotos de olhos e guelras de peixes até sensores avançados que detectam sinais químicos invisíveis. Os pesquisadores descobriram que, embora os computadores estejam se tornando notavelmente bons em detectar a deterioração, o caminho para o uso no mundo real não é tão simples quanto alcançar uma pontuação alta em um teste. A verdadeira medida do sucesso, argumentam eles, não é apenas o quão bem um modelo prevê o frescor em um laboratório controlado, mas se ele consegue fazer isso de forma confiável em uma fábrica movimentada ou em um supermercado, usando dados que realmente reflitam a realidade biológica do alimento.

A revisão começou peneirando mais de mil registros científicos publicados entre 2021 e 2026. Após remover duplicatas e filtrar estudos que não utilizavam aprendizado profundo ou que dependiam de testes destrutivos, a equipe focou em vinte e oito artigos de alta qualidade. Esses estudos cobriram uma gama diversificada de frutos do mar, incluindo peixes de nadadeiras, camarões, caranguejos e ostras. Os pesquisadores identificaram quatro formas principais pelas quais esses sistemas "veem" o frescor. O primeiro e mais acessível método utiliza câmeras padrão vermelho-verde-azul, semelhantes às de smartphones, para analisar mudanças visíveis. Esses sistemas buscam mudanças de cor e textura na pele, olhos ou guelras do peixe, que frequentemente tornam-se turvos ou descoloridos conforme o animal estraga. O segundo método envolve espectroscopia, onde sensores projetam luz sobre o peixe e medem como o tecido absorve ou reflete diferentes comprimentos de onda. Isso permite que o computador detecte mudanças moleculares, como a decomposição de proteínas ou gorduras, que ocorrem muito antes de o peixe parecer ruim ao olho humano.

A terceira categoria envolve sensores inteligentes que atuam como um nariz ou língua digital. Esses dispositivos usam tiras químicas que mudam de cor quando reagem com gases liberados por peixes em decomposição, como a amônia. Uma câmera, então, lê essas mudanças de cor e alimenta os dados em um programa de computador. O quarto grupo combina esses métodos, utilizando tanto imagens visuais quanto sinais químicos para obter um quadro mais completo da condição do peixe. Através dessas diferentes tecnologias, o desempenho relatado foi frequentemente impressionante. Muitos estudos alegaram taxas de precisão de classificação acima de 95 por cento, o que significa que o computador identificou corretamente se um peixe estava fresco ou estragado em quase todos os casos. Alguns sistemas que previam valores químicos específicos, como o nível de nitrogênio volátil, mostraram uma correspondência estatística muito forte com as medições laboratoriais reais.

No entanto, os autores alertam que esses números altos contam apenas parte da história. Uma descoberta importante da revisão é que muitos estudos dependem de "rótulos" que são fáceis demais de adivinhar. Por exemplo, se um computador é treinado para distinguir entre um peixe armazenado por um dia versus um peixe armazenado por dez dias, ele pode simplesmente aprender a reconhecer as condições de iluminação ou o fundo do laboratório, em vez do estado real do peixe. A revisão descobriu que estudos que ancoraram suas previsões em dados químicos rígidos, como a contagem de bactérias vivas ou os níveis específicos de metabólitos de deterioração, forneceram evidências muito mais fortes de utilidade no mundo real. Quando um modelo prevê um valor químico específico em vez de apenas um tempo de armazenamento, é mais provável que esteja medindo o processo biológico real de decomposição.

Apesar da precisão promissora, os pesquisadores identificaram obstáculos significativos antes que esses sistemas possam ser amplamente adotados. Uma fraqueza crítica na maioria dos estudos revisados foi a falta de testes independentes. Muitos sistemas foram testados apenas no mesmo lote de peixes, no mesmo laboratório, sob as mesmas condições de iluminação que foram usadas para treiná-los. Isso é como ensinar um aluno a fazer uma prova dando-lhe exatamente as mesmas perguntas que ele verá no exame; ele pode tirar uma nota perfeita, mas não aprendeu verdadeiramente a matéria. A revisão descobriu que muito poucos estudos testaram seus modelos em diferentes lotes, diferentes espécies ou diferentes locais. Sem esse tipo de validação externa, é difícil saber se o sistema funcionará quando as condições mudarem, como quando um peixe for visto sob diferentes luzes de loja ou por uma câmera diferente.

Outro desafio reside na diferença entre um modelo de computador funcionando na teoria e um dispositivo funcionando na prática. Embora muitos estudos tenham proposto que seus sistemas poderiam ser colocados em um smartphone ou em um braço robótico, apenas alguns demonstraram isso. Alguns pesquisadores executaram com sucesso seus programas em hardware portátil, como computadores Raspberry Pi ou telefones celulares, mostrando que a tecnologia pode ser rápida e pequena o suficiente para uso real. Um estudo até demonstrou um sistema robótico classificando peixes com base no frescor. No entanto, essas demonstrações práticas continuam sendo a exceção, não a regra. A maior parte da pesquisa ainda está presa na fase de prova de conceito, onde o foco é construir um modelo que funcione em um ambiente controlado, em vez de um que possa lidar com a complexidade de uma cadeia de suprimentos real.

Os autores concluem que o campo evoluiu além do simples reconhecimento de imagem para uma integração mais complexa de biologia e tecnologia. Os sistemas mais maduros são aqueles que combinam a ferramenta de detecção correta com um objetivo biológico claro, como medir um composto de deterioração específico, e depois testam esse sistema rigorosamente fora do laboratório. A alta precisão sozinha não é suficiente para declarar uma tecnologia pronta para o mercado. Para que essas ferramentas realmente transformem a forma como lidamos com frutos do mar, a pesquisa futura deve priorizar o teste em amostras diversas e independentes e provar que os sistemas funcionam no hardware real que utilizarão no mundo real. Até lá, a promessa de verificações de frescor instantâneas e não destrutivas permanece um potencial poderoso, em vez de um problema resolvido, aguardando o próximo passo da bancada do laboratório para o mercado de peixes.