Protótipo multiespectral DIY para inspeção de carcaças bovinas e ovinas (660 nm + 850 nm)

Precursor histórico da linha MSI desta série: estudo de projeto e validação teórica (sem protótipo físico montado nem medições em abatedouro) que testa se duas bandas — $660$ e $850\,\mathrm{nm}$ — bastam para contraste músculo/gordura subcutânea. Webcam Logitech C270 modificada, iluminação sequencial, calibração radiométrica e índices NDI/SRI numa ROI de $30\times 30\,\mathrm{cm}$. Os números deste post são simulados (notebooks R, set.seed(42)).

A genealogia óptica da série segue daqui: este DIY (2 bandas, só simulação) → MSI-sensor (bancada de métodos, 4 bandas, hardware real) → Atomos MSI (SCARA + 5 bandas + análise em tempo real). Leia os instrumentos atuais para o estado da arte do projeto; este registro permanece como âncora do argumento “poucas $\lambda$ bem escolhidas”.

---

1. Motivação: classificação visual versus espectroscopia acessível

A classificação de carcaças no Brasil segue normas do MAPA (categoria, conformação, cobertura de gordura, peso de carcaça quente). Em escala industrial, sistemas NIR e hiperespectrais estimam atributos como teor de gordura, umidade e qualidade da carne — mas custam dezenas a centenas de milhares de dólares e exigem infraestrutura especializada.

O objetivo deste projeto não é substituir um hiperespectral industrial. É validar, com componentes acessíveis, se duas bandas espectrais bem escolhidas permitem extrair informação físico-química superficial útil para:

• segmentação de gordura subcutânea versus músculo;
• detecção de variações estruturais na superfície da carcaça;
• identificação de anomalias ópticas superficiais (contaminação visível, sangue residual).

A analogia física é a de um oxímetro de pulso (PPG): LED + fotodetector medindo refletância em bandas selecionadas. A diferença é que a carcaça não apresenta sinal pulsátil — trata-se de refletância difusa estática em tecido biológico turbulento.

---

2. Fundamentos físicos: por que 660 nm e 850 nm?

A interação luz–tecido em carcaças é governada por absorção e espalhamento. A intensidade decai com a profundidade $z$ aproximadamente como:

$$I(z) = I_0 \, e^{-\mu_{\text{eff}} z}$$

onde o coeficiente de atenuação efetivo é:

$$\mu_{\text{eff}} = \sqrt{3\mu_a(\mu_a + \mu_s')}$$

e a profundidade de penetração característica é $\delta = 1/\mu_{\text{eff}}$.

Cromóforos relevantes

Os principais cromóforos na faixa VIS–NIR de tecidos cárneos são:

• Mioglobina e derivados (desoximioglobina, oximioglobina): absorção elevada no visível-vermelho, especialmente próximo a 660 nm — sensível ao estado de oxidação da carne e à presença de sangue residual.
• Água: bandas vibracionais O–H com picos em 970 nm, 1200 nm e 1450 nm; influencia a refletância no NIR.
• Lipídios: menor absorção no visível, refletância mais uniforme — a gordura subcutânea contrasta com o músculo principalmente pela diferença de pigmentação e estrutura.

Janela óptica biológica

A região de 650–1350 nm é conhecida como janela óptica biológica: absorção relativamente baixa combinada com espalhamento moderado, permitindo penetração útil em tecidos.

A banda de 850 nm penetra mais profundamente que 660 nm e é menos afetada por pigmentos visíveis, capturando diferenças estruturais superficiais entre músculo e gordura. A combinação das duas bandas gera contraste análogo a índices espectrais de sensoriamento remoto (NDVI).

---

3. Arquitetura do protótipo

O sistema é organizado em cinco blocos funcionais:

1. Câmera base com modificação para sensibilidade NIR
2. Matriz de LEDs com comprimentos de onda selecionados
3. Conjunto óptico (lente, filtros, polarizadores)
4. Controlador e aquisição (Raspberry Pi 4 ou Arduino + PC)
5. Estrutura mecânica de posicionamento

Câmera: Logitech C270 modificada

Câmeras de consumo possuem um filtro IR-cut que bloqueia radiação acima de ~700 nm. Sem removê-lo, a banda de 850 nm é inacessível. Após a remoção, o sensor CMOS responde de 400 a ~1000 nm.

A C270 tem foco fixo de fábrica para distâncias > 50 cm. Para a distância de trabalho de 25–35 cm, é necessário girar a lente rosqueada internamente ou acoplar uma lente macro auxiliar.

Geometria e resolução espacial

Para enquadrar uma ROI de largura $W = 0{,}30$ m, a distância de trabalho $d$ depende do FOV horizontal $\theta$:

$$d = \frac{W}{2\tan(\theta/2)}$$

A resolução espacial no objeto é:

$$p = \frac{W}{N_x} = \frac{300\ \text{mm}}{1280} \approx 0{,}23\ \text{mm/pixel}$$

Iluminação e óptica auxiliar

• LEDs: 660 nm (deep red) e 850 nm (NIR), ~3 W cada, com drivers de corrente constante e chaveamento MOSFET/PWM.
• Captura sequencial: apenas um LED ligado por vez — nunca os dois simultaneamente, para evitar mistura espectral.
• Polarização cruzada: polarizador P1 na iluminação, P2 na câmera (90° entre eles), reduz reflexão especular em superfícies úmidas de carne.
• Difusor + shroud: iluminação uniforme e bloqueio de luz ambiente do abatedouro.
• Calibração: alvos branco (Spectralon ou azulejo branco consistente) e escuro para normalização radiométrica.

Protocolo de captura

1. LED 660 nm ON → captura com exposição fixa → aguardar ~50 ms de estabilização
2. LED 660 nm OFF; LED 850 nm ON → captura
3. LEDs OFF → frame dark ($D$)
4. Alvo branco na ROI → frames white ($W_{660}$, $W_{850}$)
5. Normalizar reflectância e calcular índices espectrais

---

4. Pipeline de processamento de sinal

Normalização radiométrica

Para cada banda $\lambda_i \in \{660, 850\}$ nm, a reflectância relativa por pixel é:

$$R_{\lambda_i}(x,y) = \frac{I_{\lambda_i}(x,y) - D(x,y)}{W_{\lambda_i}(x,y) - D(x,y)}$$

Essa operação elimina o offset eletrônico do sensor (via $D$), a não-uniformidade espacial da iluminação (via $W$) e a dependência do espectro da fonte. O resultado $R \in [0, 1]$ representa a fração de luz refletida em relação à referência branca.

Índices espectrais

Três índices são extraídos por pixel:

Índice de razão simples (SRI):

$$\text{SRI}(x,y) = \frac{R_{850}(x,y)}{R_{660}(x,y)}$$

Índice de diferença normalizada (NDI) — análogo ao NDVI:

$$\text{NDI}(x,y) = \frac{R_{850}(x,y) - R_{660}(x,y)}{R_{850}(x,y) + R_{660}(x,y)}$$

Índice logarítmico (LRI):

$$\text{LRI}(x,y) = \log\!\left(\frac{R_{850}(x,y)}{R_{660}(x,y)}\right)$$

O NDI é o índice principal para classificação: músculo apresenta NDI elevado (alta absorção em 660 nm por mioglobina → $R_{660}$ baixo), enquanto gordura apresenta NDI próximo de zero.

Separabilidade entre tecidos

As distribuições simuladas de SRI e NDI mostram separação clara entre classes:

---

5. Classificação e calibração (resultados simulados)

Classificação binária por limiar

Com apenas duas bandas, a modelagem se limita a classificação binária simples ou regressão linear. A regra de classificação por pixel usa um limiar $\tau$ no NDI:

$$\text{classe}(x,y) = \begin{cases} \text{gordura} & \text{se } \text{NDI}(x,y) < \tau \\ \text{músculo} & \text{se } \text{NDI}(x,y) \geq \tau \end{cases}$$

A análise de limiar sobre dados sintéticos ($n = 800$ pixels, 500 músculo + 300 gordura) indica $\tau = 0{,}22$ como ponto de máximo F1-score.

Regressão: NDI versus espessura de gordura

Para correlacionar o índice espectral com uma variável física mensurável, propõe-se regressão linear entre o NDI médio por amostra e a espessura de gordura subcutânea medida por paquímetro ou ultrassom:

$$\widehat{y} = \beta_0 + \beta_1 \cdot \overline{\text{NDI}} + \beta_2 \cdot \overline{\text{SRI}}$$

A simulação com 40 amostras ($\text{NDI} = 0{,}50 - 0{,}025 \times \text{espessura}_{\text{mm}} + \text{ruído}$) produz resultados ilustrativos — não validados experimentalmente.

---

6. Capacidades, limitações e próximos passos

O que o sistema permite (em teoria)

• Segmentação superficial de gordura subcutânea versus músculo
• Detecção de contaminação óptica visível na superfície
• Mapeamento de heterogeneidade estrutural superficial
• Classificação binária magra/gorda com calibração empírica

O que o sistema não permite

• Medição de gordura intramuscular (IMF/marbling) profunda
• Estimativa precisa de pH ou composição proteica
• Cálculo de rendimento de cortes (requer morfometria 3D)
• Substituir quimiometria NIR industrial com dezenas de bandas

Essas limitações são intrínsecas à baixa dimensionalidade espectral (duas bandas) e à profundidade de penetração restrita.

Comparação com outras abordagens

Próximos passos

1. Montar o protótipo físico e validar a remoção do IR-cut e o ajuste de foco da C270.
2. Implementar o pipeline de captura em Python/OpenCV com sincronismo LED–câmera.
3. Adquirir amostras reais em abatedouro com ground truth (paquímetro, ultrassom).
4. Calibrar o limiar NDI e os coeficientes de regressão com dados experimentais.
5. Avaliar o impacto da umidade superficial, temperatura da carcaça e iluminação ambiente do abatedouro.

---

Referências

• Jacques, S. L. (2013). Optical properties of biological tissues: a review. Physics in Medicine & Biology, 58(11), R37.
• Mancini, R. A., & Hunt, M. C. (2005). Current research in meat color. Meat Science, 71(1), 100–121.
• Ozaki, Y., et al. (2021). Near-Infrared Spectroscopy: Theory, Spectral Analysis, Instrumentation, and Applications. Wiley.
• Segelstein, D. J. (1981). The complex refractive index of water. M.S. thesis, University of Missouri-Kansas City.