TAXONOMIA COMO GUIA PARA EXPERIMENTOS ROBUSTOS E REPRODUTÍVEIS EM RECONSTRUÇÃO HIPERESPECTRAL E DATA AUGMENTATION NO CONTEXTO DE ENGENHARIA DE ALIMENTOS

As imagens hiperespectrais (HSI) vêm sendo cada vez mais utilizadas em pesquisas agroalimentares por permitirem avaliar, de forma não destrutiva, propriedades físico-químicas que imagens RGB não capturam completamente. Com isso, apoiam aplicações como avaliação de qualidade, monitoramento da maturação, detecção de defeitos, deterioração e análise de composição. Em paralelo, modelos baseados em dados, incluindo aprendizado de máquina e aprendizado profundo, tornaram-se fundamentais para extrair informações úteis de imagens espectrais. No entanto, o desenvolvimento de modelos robustos é limitado pela escassez de bases de dados amplas, diversas e bem anotadas. As bases usadas em reconstrução espectral costumam ser pequenas ou médias, enquanto modelos orientados por dados dependem da escala, diversidade e representatividade para generalizar além do treinamento. Essa limitação é mais crítica em alimentos, pois a coleta deve contemplar variabilidade biológica, heterogeneidade, maturação, armazenamento, defeitos, contaminações e condições de aquisição, enquanto as medições de referência são frequentemente destrutivas, trabalhosas, demoradas ou caras. Assim, métodos otimizados para um único benchmark podem ter bons resultados sob um protocolo específico, mas oferecer pouca evidência de aplicação mais ampla.

Para lidar com essas limitações, propomos uma taxonomia para organizar e planejar pesquisas em imagens hiperespectrais aplicadas a alimentos, com foco em reconstrução espectral, data augmentation, tarefas agroalimentares e oportunidades em aberto. A taxonomia foi desenvolvida a partir da literatura sobre HSI, data augmentation e reconstrução espectral, e validada em estudos adicionais para identificar lacunas e ampliar sua abrangência.

Mais do que uma classificação estática, a taxonomia busca servir como um guia experimental prático: visa auxiliar pesquisadores a definir o problema, identificar variáveis relevantes, escolher estratégias de reconstrução ou aumento de dados e planejar avaliações além do desempenho em benchmarks específicos. Ao relacionar aquisição, experimento, método e utilidade prática, favorece uma análise criteriosa sobre o que torna um estudo em HSI relevante na prática. Também apoia o posicionamento de novas contribuições, análises de ablação e robustez e a identificação de variáveis que podem introduzir viés ou limitar a transferência entre cenários. De modo geral, busca promover estudos de MSI/HSI em engenharia de alimentos precisos, interpretáveis, reprodutíveis e mais preparados para a variabilidade do mundo real.