Evaluation of Carrot Quality Using Visible-Near Infrared Spectroscopy and Multivariate Analysis
Notice bibliographique
Résumé
Carrot has a relatively high content of Vitamin C and it is a major source of natural carotenoids. However, carrot has a short shelf-life and is better consumed fresh. A quick assessment of its quality attributes is important to preserving its freshness. The objective of this study was to apply Vis-NIR spectroscopy to noninvasively assess and predict the various quality attributes of carrot (cv. Nectar), namely color (L*a*b*), moisture content (MC), total soluble solids (TSS), firmness, Vitamin C, and β-carotene. Two spectroscopic sensors (400-1,000 nm and 900-1,700 nm) were utilized and samples included whole root and 25.4 mm thick sliced disc. The best prediction models using partial least squares regression yielded correlation coefficient, r, and ratio of performance to deviation or r(RPD) of 0.50(0.73), 0.84(0.88), 0.86(2.07), 0.69(0.66), 0.97(1.44), 0.90(1.49), 0.47(1.47), and 0.92(1.76) for color indices, L* a* b*, firmness, MC, TSS, Vitamin C, and β-carotene, respectively. However, using only the wavelengths selected by interval partial least squares, the r(RPD) values for the aforementioned attributes improved and are presented as follows: 0.92(1.97), 0.96(2.83), 0.98(5.85), 0.99(6.65), 0.98(3.91), 0.99(5.93), 0.98(4.16), and 0.98(4.43), respectively. Generally, Vis-NIR region had higher prediction performance than NIR region, and whole roots had similar prediction performance as sliced samples. This study shows that rapid determination of quality parameters of carrot is possible through non-destructive Vis-NIR sensing, which could be useful for quality tracking during carrot supply chain. Moreover, results of this study could be improved using a larger sample size.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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) | 0,001 | 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 ».