Pesquisadores desenvolveram uma nova arquitetura de aprendizado profundo chamada SGNet, capaz de classificar o frescor de peixes com 97.8% de acurácia usando imagens hiperespectrais. O modelo, divulgado em artigos submetidos ao arXiv, utiliza 4.75 milhões de parâmetros para realizar avaliações não destrutivas em filés de salmão.
Arquitetura e funcionamento do modelo
Segundo os estudos publicados por Kazi Nabiul Alam, Pooneh Bagheri Zadeh e Akbar Sheikh-Akbari, a rede separa a extração de características espectrais e espaciais por meio de convoluções agrupadas e um caminho espacial aprofundado. A tecnologia resolve limitações de abordagens tradicionais de aprendizado profundo frente aos dados hiperespectrais, que combinam dominância espectral sobre texturas espaciais, estrutura de rótulos ordinais e escassez de amostras de treinamento.
O sistema emprega um mecanismo de atenção dual que combina o ganho canal a canal com o controle de portas espaciais para destacar os dados informativos. Conforme o material divulgado, a ferramenta alcançou um erro absoluto médio de 0.64 dia em testes realizados com um novo conjunto de dados criado pelos autores, baseado em filés de salmão mantidos em refrigerador por 16 dias.
Desempenho e aplicação industrial
Os testes comparativos apontam que a nova estrutura reduziu de cinco a dezoito vezes a quantidade de parâmetros em relação a modelos como o ResNet-50 e Vision Transformers. Estudos de ablação comprovaram a contribuição de cada componente da rede.
A pesquisa indica que o design consciente de domínio viabiliza previsões precisas e em tempo real para a implementação industrial. O trabalho foi aceito para apresentação na BMVC 2026.
O que ainda não foi divulgado
As publicações não detalham o custo operacional da implementação do hardware hiperespectral em linhas de produção industrial em larga escala, nem especificam o desempenho do algoritmo em outras espécies de pescado além do salmão avaliado nos testes de laboratório.
