Non‐destructive detection of dicyandiamide in infant formula powder using multi‐spectral imaging coupled with chemometrics
Notice bibliographique
Résumé
BACKGROUND: Dicyandiamide (DCD) contamination of milk and milk products has become an urgent and broadly recognised topic as a result of several food safety scares. This study investigated the potential of using multi-spectral imaging (405-970 nm) coupled with chemometrics for detection of DCD in infant formula powder. Partial least squares (PLS), least squares-support vector machines (LS-SVM), and back-propagation neural network (BPNN) were applied to develop quantitative models. RESULTS: Compared with PLS and LS-SVM, BPNN considerably improved the prediction performance with coefficient of determination in prediction (RP2) = 0.935 and 0.873, residual predictive deviation (RPD) = 3.777 and 3.060 for brand 1 and brand 2 of infant formula powders, respectively. Besides, multi-spectral imaging was able to differentiate unadulterated infant formula powder from samples containing 0.01% DCD with no misclassification using BPNN model. CONCLUSION: The study demonstrated that multi-spectral imaging combined with chemometrics enables rapid and non-destructive detection of DCD in infant formula powder. © 2016 Society of Chemical Industry.
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 | 0,002 |
| 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 ».