Rapid detection of quality of Japanese fermented soy sauce using near-infrared spectroscopy
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
This study investigated the feasibility of rapidly evaluating the final quality of Japanese fermented soy sauce (shoyu) using NIR spectroscopy and partial least-squares (PLS) regression. In total, 110 shoyu samples that had been entered in the annual soy sauce competition from 2016 to 2018 were collected and analyzed. The transmittance spectra (400-1800 nm) and the transflectance spectra (680-2500 nm) of these samples were acquired and processed by different pre-treatments. PLS regression was applied to the raw and processed spectra to construct models based on a calibration set (76 shoyu samples from 2016 and 2017) and to evaluate these models using a validation set (34 shoyu samples from 2018), according to their values for bias and root mean square error of prediction (RMSEP). The results showed that the models constructed using the full spectra of transflectance performed better than those using transmittance spectra. Comparing the influence of different regions in the transflectance spectra enabled the accuracy of the models to be improved. The model constructed from transflectance spectra from the 1800 to 2500 nm region using pre-treatment of second derivative was superior to the other models, with a bias value of -2 and the lowest RMSEP value of 13 in the validation set. To further narrow the wavelength range, the models constructed using the spectral region from 2050 to 2400 nm also showed a better performance for predicting the sensory quality of soy sauce products. This study has demonstrated that the NIR spectroscopy technique could be used as an alternative routine quality control procedure, which can rapidly and economically classify the quality of soy sauce products.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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