Use of objective imaging systems to assess subjective grain appearance traits important to the US rice industry
Notice bibliographique
Résumé
Abstract Background and objectives Milled rice grain appearance traits, including chalk, determine its grade, price, and marketability. These appearance traits are evaluated visually (VI) in the United States by officially trained inspectors and at commercial mills. Digital imaging systems (IS) provide an alternative means to objectively and rapidly measure these traits. The goals of this study were to compare chalk values determined by VI and IS and to identify IS parameters that are associated with the five grain appearance traits commonly assessed by the US rice industry. Findings Milled rice chalk determined by three VI methods used by commercial mills, a rice export company, and government inspectors, and three IS, WinSeedle, SeedCount, and S21, differed significantly. However, all six methods agreed on ranking of the best and worst of 20 US cultivars for chalkiness. Multiple linear regression analyses identified quality parameters from each IS that are associated with—bran streaks, chalk, kernel color, uniformity length, and appearance overall as determined by commercial mills. Conclusions IS can rapidly quantify rice grain appearance traits but agree with subjective ratings for chalkiness only when differences are extreme. Subjective grain appearance traits as determined by commercial mills appear to be based on several parameters detected by IS. Significance and novelty IS demonstrated that discolored kernels and grain chalkiness are the major factors explaining differences in overall appearance of US long‐grain varieties as subjectively assessed by commercial mills.
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 | 0,000 |
| 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 ».