E-Nose System Based on Fourier Series for Gases Identification and Concentration Estimation From Food Spoilage
Notice bibliographique
Résumé
This work presents an electronic nose (EN)-based gas identification and concentration estimation method for the detection of food spoilage. The response data of sensors were acquired through a commercial gas sensor array and data acquisition circuit board and transformed into pictures with the form of the Fourier series. A convolutional neural network (CNN) model was used to identify the pictures from the conversion of sensor data, thus achieving the purpose of identifying the gases (C2H5OH, NH3, and H2S). In order to solve the problem of sample imbalance and to improve the generalization performance of classification models, the synthetic minority oversampling technique (SMOTE) and dropout technique were employed. Fivefold cross-validation was used to evaluate the performance of the model, of which the gas identification accuracy rate reached 96.67%. Moreover, a gas concentration regression model with the advantages of simplicity and strong interpretability was further proposed to estimate the concentrations of C2H5OH, NH3, and H2S. The mean absolute errors and coefficients of determination for the concentration estimation of C2H5OH, NH3, and H2S are (3.71 ppm, 0.968), (0.50 ppm, 0.968), and (0.13 ppm, 0.99), respectively. Furthermore, we used our model to evaluate the freshness of kiwifruit, pork, and beef, and it showed satisfactory predictive performance. The method proposed in this work realizes high-precision detection of gases from food spoilage and has a good application prospect in the rapid judgment of food freshness on the EN system.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».