Invited review: Engineering aspects of physical treatments to increase fruit and vegetable phytochemical content
Notice bibliographique
Résumé
Vigneault, C., Leblanc, D. I., Goyette, B. and Jenni, S. 2012. Engineering aspects of physical treatments to increase fruit and vegetable phytochemical content. Can. J. Plant Sci. 92: 373–397. The levels of phytochemicals in fruit and vegetables are affected by many preharvest and postharvest factors, such as cultivars, farming practices, environmental conditions, harvest techniques, and postharvest handling and treatment. Postharvest factors are generally the easiest to manage since produce handling takes place mainly under controllable conditions. Although specific physical treatments, such as heat and ultraviolet radiation, have been developed to increase the phytochemical content of horticultural produce, very little information is available on the engineering aspects of these treatments. A review of the engineering aspects related to phytochemical-enhancing physical treatments was undertaken to identify the process parameters required to obtain repeatable results, the basic information required for scale-up of the process, and the key parameters required to ensure appropriate monitoring and control of commercial applications. The uniformity, efficiency, efficacy, ease of control and ease of scale-up of various physical treatments were compared to support the development of a new phytochemical-enhancing treatment for potential commercial application. These treatment methods were considered independently of the physical characteristics of the produce treated (type of produce, size, shape, and positioning) to reduce the number of parameters to be studied with a view to scale-up processes, following identification of the optimal processing conditions through laboratory-scale testing.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».