Analysis on Food Crispness Based on Time and Frequency Domain Features of Acoustic Signal
Notice bibliographique
Résumé
Crispness is an important indicator of crunchy food. However, it cannot be easily quantified by sensory evaluation, due to the high subjectivity of evaluators; instrument measurement of this indicator requires much manpower and time. To improve the efficiency of food crispness prediction, this paper attempts to build a rapid, convenient, and accurate crispness analysis model. Starting with the fracturing sound of crunchy food, the authors collected the fracturing acoustic signal, conducted wavelet denoising, analyzed the eigenvalues in time and frequency domains, and constructed crispness prediction models based on multiple linear regression (MLR) and neural network, respectively. Through fracturing test and acoustic test, cluster analysis was adopted to select the typical eigenvalues of acoustic signal, including the peak amplitude of power spectral density (PSD) curve, amplitude difference, and waveform index. Based on these eigenvalues, a crispness analysis model was established, and used to predict the crispness of four kinds of food, namely, potato, sweet potato, carrot, and turnip. The results show that the BP neural network had a smaller relative error than the MLR; when the threshold was 5%, the BP neural network maintained a prediction accuracy of >90%, and achieved 100% prediction accuracy on two types of food. To sum up, this paper reveals the relationship between the food chewing sound features and food quality, laying the theoretical basis for the research of food chewing sound mechanism.
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 ».