An Integrated Microstructural and Sensory Approach to De scribe Apple Texture
Notice bibliographique
Résumé
The apple industry worldwide would benefit from an improved and standardized description of fresh-apple textural quality. The description proposed here is unique in that it integrates structural, sensory, and consumer information. To demonstrate its benefits, 24 apple cultivars [ Malus × sylvestris (L.) Mill. var. domestica (Borkh..) Mansf.] were sampled over two harvest seasons and analyzed using microstructural and sensory techniques. Cultivars were selected to cover a range of known sensory textures, and microstructural profiles were compiled in parallel with sensory and instrumental studies. Each cultivar was pre pared for conventional scanning electron microscopy (SEM) observation using standard methods. Representative fruit from each cultivar were photographed at three magnifications to visualize fruit architecture, tissue relationships, and size, shape, and arrangement of cells within layers to compile the microstructural profile. A trained sensory panel evaluated the cultivars for crispness, surface coarseness, sponginess, hardness, juiciness, degree of melting, mealiness, and skin toughness while a consumer panel rated liking. This information was compiled into a texture profile. The microstructural and texture profiles were then combined into a cultivar profile for each sample. Cultivar profiles were collected to form a database; subtle similarities and differences among the 28 market-quality samples were interpreted and noted. With this technique, those structures with similar sensory properties can be identified with some form of microscopy. Clarifying and predicting the parameters that are related to textural quality in new cultivars will streamline the introduction process.
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 | 0,001 | 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 ».