Notice bibliographique
Résumé
The present research was focused on determination of the pH value online by visible and near-infrared spectroscopy. In the part of data gathering, fresh pork longissimus dorsi was moving at the constant velocity of 0.25 m x s(-1) on the conveyor belt, and the visible and near-infrared diffuse reflectance spectrum (350-1 000 nm) was captured. In the part of data processing, band of 510-980 nm of the spectra was chosen to calibrate reflex distance, then to set up online detection model of pH value in fresh pork by partial least squares regression (PLSR). Kennard-stone algorithm was applied to divide the samples to the calibration set and validation set. The performances of several PLSR models employing various preprocessing methods including multiple scatter correction, derivative and both of them combined were compared. Further, the best performance model was optimized by interval PLSR to decrease the modeling variables of wavelength. The results indicated that the PLSR model based on preprocessing of multiple scatter correction (MSC) combined with first derivative gave the best performance with 0.905 of the correlation coefficient for validation set and 0.051 of the root of mean square errors for validation set. For the best PLSR model performance, the correlation coefficient of validation set increased to 0.926 and the root of mean square errors for validation set to 0.045 in the optimization interval PLSR model. However, only half of variables were used. The research demonstrates that using visible and near-infrared spectroscopy to determine fresh pork pH online is feasible.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».