Can In-Line Iodine Value Predictions (NitFomTM) Be Used for Early Classification of Pork Belly Firmness?
Notice bibliographique
Résumé
Commercial technologies for assessing meat quality may be useful for performing early in-line belly firmness classification. This study used 207 pork carcasses to measure predicted iodine value (IV) at the clear plate region of the carcass with an in-line near-infrared probe (NitFomTM), calculated IV of belly fat using wet chemistry methods, determined the belly bend angle (an objective method to measure belly firmness), and took dimensional belly measurements. A regression analysis revealed that NitFomTM predicted IV (R2 = 0.40) and belly fat calculated IV (R2 = 0.52) separately contributed to the partial variation of belly bend angle. By testing different NitFomTM IV classification thresholds, classifying soft bellies in the 15th percentile resulted in 5.31% false negatives, 5.31% false positives, and 89.38% correctly classified soft and firm bellies. Similar results were observed when the classification was based on belly fat IV calculated from chemically analyzed fatty acid composition. By reducing the level of stringency on the percentile of the classification threshold, an increase in false positives and decrease in false negatives was observed. This study suggests the IV predicted using the NitFomTM may be useful for early in-line presorting of carcasses based on expected belly firmness, which could optimize profitability by allocating carcasses to specific cutout specifications.
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 ».