Evaluation of Surface Enhanced Raman Spectroscopy (SERS) for Detection of Acetone in the Context of Food Safety and Quality Application
Notice bibliographique
Résumé
<p class="Body">Development of sensors for detection of contaminated food products is important to ensure safety of the community. This paper focuses on detection of a compound, acetone associated with pathogen contamination and spoilage of beef in packaged condition. Surface Enhanced Raman Spectroscopy (SERS) technique was used to develop an integrated sensing system. This sensing system utilized laboratory prepared silver sol as the SERS substrate to detect acetone at low ppm and high ppb concentration. A set of eight experiments with two different experimental conditions were conducted. The first four set provided an estimated lower detection limit (LDL) ranging between 69.63 ppm and 630.17 ppm corresponding to the 1711 cm<sup>-1</sup> and 532 cm<sup>-1</sup> Raman shift (cm<sup>-1</sup>) regions, respectively. The second four sets of experiments provided a lower estimated LDL ranging between 9.78 ppm and 43.45 ppm corresponding to 1222 cm<sup>-1</sup> and 532 cm<sup>-1</sup>, respectively. This study demonstrated the ability of this sensing system to detect the indicator compound.</p>
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 | 0,012 | 0,001 |
| 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 | 0,000 |
| 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 ».