0
Objetivo: Este estudio evaluó el rendimiento de un modelo basado en aprendizaje profundo (Deep Learning) que predijo la pérdida de cocción en el músculo semispinalis capitis (SC) de la cabeza de lomo de cerdo mediante imágenes hiperespectrales recogidas 24 horas post mortem.
Métodos y resultados: Los modelos de regresión de componentes principales (PCR) y regresión de mínimos cuadrados parciales (PLSR) para predecir la pérdida por cocción en el músculo SC mostraron mayores valores R2 con corrección de señal multiplicativa, mientras que la primera derivada resultó en un menor error cuadrático medio (RMSE). El modelo basado en aprendizaje profundo superó a los modelos PCR y PLSR. La precisión de clasificación de los modelos para la clasificación del grado de pérdida por cocción disminuyó a medida que aumentaba el número de grados, siendo los modelos con tres grados los que alcanzaron la mayor precisión de clasificación. El modelo de aprendizaje profundo presentó la mayor precisión de clasificación (0,82). La pérdida por cocción en el músculo SC se visualizó mediante un modelo de aprendizaje profundo. El pH y la pérdida por cocción del músculo SC se correlacionaron significativamente con la pérdida por cocción de los filetes de cabeza de lomo (−0,54 y 0,69, respectivamente).
Conclusión: Por lo tanto, un modelo de aprendizaje profundo que utiliza imágenes hiperespectrales puede predecir el grado de pérdida por cocción del músculo SC. Esto sugiere que es posible realizar una predicción no destructiva de las propiedades de calidad de cabezas de lomo de cerdo utilizando imágenes hiperespectrales obtenidas del músculo SC.
Kyung Jo, Seonmin Lee, Seul-Ki-Chan Jeong, Hyeun Bum Kim, Pil Nam Seong, Samooel Jung, Dae-Hyun Lee, Cooking loss estimation of semispinalis capitis muscle of pork butt using a deep neural network on hyperspectral data, Meat Science, Volume 222, 2025, 109754, ISSN 0309-1740. doi: 10.1016/j.meatsci.2025.109754