Non‐destructive characterization of pulse flours—A review
Notice bibliographique
Résumé
The consumption of plant-based proteins sourced from pulses is sustainable from the perspective of agriculture, environment, food security, and nutrition. Increased incorporation of high-quality pulse ingredients into foods such as pasta and baked goods is poised to produce refined food products to satisfy consumer demand. However, a better understanding of pulse milling processes is required to optimize the blending of pulse flours with wheat flour and other traditional ingredients. A thorough review of the state-of-the-art on pulse flour quality characterization reveals that research is required to elucidate the relationships between the micro- and nanoscale structures of these flours and their milling-dependent properties, such as hydration, starch and protein quality, components separation, and particle size distribution. With advances in synchrotron-enabled material characterization techniques, there exist a few options that have the potential to fill knowledge gaps. To this end, we conducted a comprehensive review of four high-resolution nondestructive techniques (i.e., scanning electron microscopy, synchrotron X-ray microtomography, synchrotron small-angle X-ray scattering, and Fourier-transformed infrared spectromicroscopy) and a comparison of their suitability for characterizing pulse flours. Our detailed synthesis of the literature concludes that a multimodal approach to fully characterize pulse flours will be vital to predicting their end-use suitability. A holistic characterization will help optimize and standardize the milling methods, pretreatments, and post-processing of pulse flours. Millers/processors will benefit by having a range of well-understood pulse flour fractions to incorporate into food formulations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».