Rapid Nondestructive Analysis of Intact Canola Seeds Using a Handheld Near‐Infrared Spectrometer
Notice bibliographique
Résumé
Abstract The near‐infrared (NIR) models for canola quality were developed with samples from Canadian canola seeds harvested in 2016 and 2017. All calibration models were first tested on a 2017 external validation sample set. The handheld NIR spectrometer used in this study has a limited wavelength range 908.1–1676.2 nm; however, the validation results showed that it could be used to predict several important parameters that defined canola seed quality. Final testing was performed using calibration models with the least number of factors on a second external canola validation sample set (2018 harvest). Some calibration models showed excellent stability and predictive powers with R 2 val values of 0.94–0.99 (i.e., oil, protein, oleic acid and iodine value) and low SEPs for both external validation sample sets. The α‐linolenic acid model had an R 2 val of 0.93 when applied to the 2017 external validation set, the correlation fell slightly to 0.88 when applied to the 2018 external validation sample set, potentially indicating a slight instability in the model. The prediction model for total glucosinolate was not very good, but still could be used to segregate the samples into low or high glucosinolate samples. Finally, the predictive models for chlorophyll and total saturates were unusable. The chlorophyll model was very unstable, likely due to the instrument's limited wavelength range.
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) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».