Fingerprinting of Olive Oil from Spectral Data
Notice bibliographique
Résumé
Olive oil is an extensively used product and extra virgin olive oil is much costlier than other edible oils. Hence, purity of olive oil is a very significant issue. Fluorescence spectroscopy is a largely acceptable, simple, reliable and quick technique for adulteration detection and fingerprinting of olive oil. In this project, principal component analysis has been performed on fluorescence spectral data of 100 samples including pure extra virgin olive oil and adulterated ones with sunflower oil. The analysis has been able to successfully map the samples in a clear pattern for adulteration detection. The maximum tolerance limit for detection of adulteration is ±4.71% for the range of 0%-80% adulterated samples and ±5.67% for the range of 80%-100% adulterated samples. Also, by using two third of the samples as training set, this system can detect the rest one third samples (test set) quite accurately with an average tolerance of only ±3.42%. It has also been found that, short time exposure to laser, as a crude indication of possible long time exposure to sunlight, can definitely affect the fluorescence emission spectra. The two most significant wavelengths have been found (using variability) and validated (by principal component loading), that can replace the use of spectrometer with two color fiber optic probe. In this way, the computational complexity can be reduced to a great extent to make the adulteration detection system more affordable at retailer level.
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 | 0,000 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».