Modelling and Classification of Apple Textural Attributes Using Sensory, Instrumental and Compositional Analyses
Notice bibliographique
Résumé
Textural characteristics of fruit are important for their quality, storability, and consumer acceptance. While texture can be evaluated instrumentally or sensorially, instrumental measurements are preferred if they can be reliably related to human perception. The objectives of this research were to validate instrumental measurements with sensory determinations, develop a classification scheme to group apples by their textural characteristics, and create models to predict sensory attributes from instrumental and compositional analyses. The textural characteristics (crispness, hardness, juiciness, and skin toughness) of 12 apple cultivars were evaluated on new and established cultivars. Fruit was also evaluated using five instrumental measurements from TA.XTplus Texture Analyzer, and three compositional determinations. The experiment was repeated for analysis and validation purposes. Principal component (PC) analysis revealed that 95.88% of the variation in the instrumental determinations could be explained by two components (PC 1 and PC 2); which were highly correlated with flesh firmness and skin strength, respectively. Four textural groups of apples were identified, and the accuracy of classification was established at 94.44% by using linear discriminant analysis. The predictive models that were developed between the sensory and instrumental-compositional data explained more than 85% of the variation in the data for hardness and crispness, while models for juiciness and skin toughness were more complex. The work should assist industry personnel to reduce time-consuming and costly sensory testing, yet have an appreciation of the textural traits as perceived by the consumer.
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 ».