Converting Apple Textural Parameters Obtained from Penetrometers and Their Relationships with Sensory Attributes
Notice bibliographique
Résumé
Textural attributes of apple impact consumers’ acceptance of the fruit, and are frequently measured by researchers and industry experts to evaluate the fruit quality at different stages of production and marketing. Various instruments are used to conduct these textural evaluations in research and industry settings. The application of different instruments makes the comparison and integration of results extremely difficult. The main objectives of this study were to compare data obtained from three widely used textural instruments, investigate their relationships with each other and with sensory evaluations, and develop models to convert data among instruments. Three penetrometers were included in the study: (1) Fruit Texture Analyzer (FTA); (2) Mohr Digi-Test-2 (MDT-2); and (3) TA.XTplus Texture Analyzer (TA.XTplus). Eight apple varieties with a range of textural attributes were selected. Eleven sensory judges evaluated three apple slices (1/8 apple) from each variety. The instrumental measurements were conducted on 10 apples per instrument from each variety, with two measurements on each apple. Results of principal component analysis indicated that 95.82% of the variation in the texture data could be explained using only two principal components. Linear and nonlinear regression models were developed to convert data obtained from an instrument to those from other instruments.
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 | 0,001 | 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 ».