Discrimination of beef dark cutters using visible and near infrared reflectance spectroscopy
Notice bibliographique
Résumé
Prieto, N., Lopez-Campos, O., Zijlstra, R. T., Uttaro, B. and Aalhus J. L. 2014. Discrimination of beef dark cutters using visible and near infrared reflectance spectroscopy. Can. J. Anim. Sci. 94: 445–454. This study examined the potential of visible and near infrared reflectance spectroscopy (Vis-NIRS) to segregate dark cutters from normal beef. One hundred and twenty beef carcass sides were selected from a slaughter plant by experienced graders according to their carcass grade: 60 A grade carcasses (normal) and 60 B4 grade carcasses (dark cutters). At approximately 48 h post mortem, a 2.5-cm-thick steak (at ∼7/8th thoracic vertebrae) was removed, vacuum packaged and frozen at −25°C until spectra collection. Four Vis-NIRS analyses were performed with different instruments and sample presentation. Partial least squares discriminant analysis based on Vis-NIR spectra correctly classified 95% of the intact non-oxygenated beef samples from both A and B4 grade carcasses using a portable LabSpec®4 spectrometer...
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».