Quality Characteristics on Adding Blood Levels to Blood Sausage
Notice bibliographique
Résumé
본 연구는 영양학적으로 우수한 혈액을 활용한 식육제품의 품질 특성에 미치는 영향을 규명하여 혈액 소시지를 개발하고자 실시하였다. 수분함량, 명도, 적색도, 황색도, 지질 산패도, 응집성, 검성 및 씹음성은 혈액 첨가량이 증가함에 따라 감소하는 경향을 보였으나, 단백질 함량, 지방 함량, 회분 함량, 휘발성 염기태질소 함량은 혈액 첨가량에 따라서 유의적인 차이를 보이지 않았다. 경도 및 탄력성은 혈액을 20% 첨가한 처리구가 다른 처리구들에 비하여 높은 수치를 나타내었다. 또한 혈액을 20% 첨가한 처리구가 전체적인 기호도에서 가장 높은 점수를 받았으며, 색, 풍미, 연도 및 다즙성에서도 혈액을 20%첨가한 처리구가 우수한 평가를 받은 것으로 보여진다. 따라서, 활용도가 낮은 돈육 부산물 중 혈액을 활용하여 혈액 소시지를 제조할 시 혈액의 첨가량이 20%로 하는 것이 혈액 소시지의 품질 및 관능적으로 우수한 혈액 소시지를 제조할 수 있을 것으로 보여진다. This study evaluated the effects of adding blood levels to phycochemical properties, textural properties, and sensory characteristics of blood sausage. 4 treatment groups of blood sausage were produced, T1 (pork ham : pork blood = 60:15), T2 (55:20), T3 (50:25), and T4 (45:30). T1 had the highest moisture content, most cohesiveness, and gumminess, CIE L-value, CIE a-value, and CIE b-value of raw and cooked blood sausages. Protein content, fat content, ash content, and VBN values were not significantly different among the treatments. T4 was treated with the most added pork blood, and had the highest pH of raw and cooked blood sausages, cooking loss, and TBA values. T2's sausage was the hardest, but had more springiness, cohesiveness, gumminess, and chewiness than T4. The best scores were from T4 and had the most overall acceptability. The results of this study show that blood sausages containing 20% pork blood had higher improved quality characteristics in blood sausages.
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 | 0,003 | 0,001 |
| 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 ».