Neural network modeling of carcass measurements to predict beef tenderness
Notice bibliographique
Résumé
Neural network (NN) models were developed for predicting and classifying an objective measurement of tenderness using carcass data such as pre-slaughter information (sex, age, kill order), weights, pH, temperatures, lean color readings, lab-determined measurements, grade measurements and organ weights. Tenderness was expressed objectively as Warner-Bratzler shear (WBS) force measured on steaks, aged 6 d, from the longissimus thoracis et lumborum (LTL) muscle. Carcass data from experiments conducted between 1985 and 1995 at the Lacombe Research Centre were combined to form large data sets (n = 775–1177) for modeling. Neural network models to predict actual shear values showed limited potential (R2 = 0.37–0.45) and were only marginally better than a multiple linear regression (MLR) model (R2 = 0.34). Neural network models that classified carcasses into tenderness categories showed better potential (mean accuracy 51–53%). The best four-category (tender, probably tender, probably tough, tough) model classified tender and tough steaks with accuracies of 0.64 and 0.79, respectively. This model reduced tough and probably tough carcasses by 55% in our population. The model required the following 11 inputs, which, except for cooking method, are available by 24 h postmortem: sex, live plant weight, hot carcass weight, 24-h cooler shrink, 24-h pH, 24-h CIE color b*, 24-h CIE lightness L* × hue angle, rib eye area, grader's marbling score (AMSA%), grade, and cooking method. By implementing techniques outlined in this study in a plant situation, the current 23% unacceptable consumer rating for Canadian beef could be reduced to 10–12%. Key words: Neural networks, beef, tenderness, carcass measurements, longissimus muscle
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».