Hyperspectral Imaging for Beef Tenderness Assessment
Notice bibliographique
Résumé
Tenderness is one of the principal properties of meat quality. The traditional way to measure tenderness the beef is time consuming and also destructive, and therefore not appropriate for rapidly identifying quality parameters on the processing line, with the minimum of human intervention. The objective of the present research was to measure the tenderness of cooked beef samples obtained from four types of muscles (i.e. infraspinatus (TB), gluteus medius (TS), psoas major (TL), and longissimus thorasis (RE)) at three different durations of dry aging (Fresh (0 days), 14 days, and 21 days), using near infrared hyperspectral imaging. Hyperspectral reflectance spectra (900 nm <l < 1700 nm) were acquired for a total of 260 beef steak samples with dry-ages of 0, 14 or 21 days. After imaging, samples were cooked and the Warner-Bratzler shear force (WBSF), a parameter inversely related to meat tenderness, was measured. After reflectance calibration, a region of interest (ROI) was selected from each acquired hyperspectral image and stepwise regression was applied to the ROI to select wavelengths that were strongly related to cooked meat tenderness. Multiple Linear Regression (MLR) calibration models were developed for quantitative evaluation of beef tenderness. The correlation coefficient (R) and the root mean square error (RMSE) were employed to evaluate the calibration model’s predictive ability for each group. The calibration model developed predicted tenderness with R values of 0.89, 0.86, 0.81 and 0.83 for TS, RE, TB, and TL, respectively. The results revealed that the HSI could be used for non-destructive measurement of beef tenderness in beef having undergone three different durations of aging.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».