Comparison of germination–parboiling, freeze–thaw cycle, and high pressure processing on the cooking quality of brown rice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Three treatments, namely, germination–parboiling (GP), freeze–thaw cycle (FTC), and high pressure processing (HPP) were compared for different qualities of brown rice (BR): appearance characteristics, cooking time and texture, and compared with those of untreated BR and white rice. All these three methods significantly ( p < .05) reduced cooking time by 12–23% and hardness of cooked BR by 17–23% (except GP), but reduced chewiness and generated some cracks in rice kernel. Moreover, GP process resulted in the best springiness and chewiness, FTC held the original lightness of BR well and had loose structure after cooking, while HPP (500 MPa) showed the lowest cooking time and cooking loss. The results of this study show that these three treatments could improve majority of the cooking qualities of BR and provide better commercial processing opportunities. Practical applications This study successfully tackles the rough cooking properties of BR via three treatments: germination‐parboiling (GP), freeze–thaw cycle (FTC), and high pressure processing (HPP). Among them, GP and HPP have been adopted for commercial applications and the products are getting increasingly accepted by Chinese consumers. FTC is a simple and effective processing method, which is rarely reported, and the expected cost of its equipment is less than 1/10 of that for HPP and 1/3 of GP. This research provides incentives for farmers and food processors to increase their incomes and it can also promote the development of whole grain foods focused to improve the health of consumers.
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.
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 | 0,001 | 0,000 |
| 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 découle