Optimization of Sensor Array for Detection of Abalone Freshness Based on Electronic Tongue
Notice bibliographique
Résumé
Considering the shortcomings of traditional detection methods of abalone freshness, such as cumbersome operation and low accuracy, this study established a rapid detection method of abalone freshness by using an electronic tongue.A sensor array consisting of eight inert metal electrodes (Au, Pd, Pt, Ag, Ti, Al, Ni, W) was used for detection.However, the detection data of redundant sensors will affect the efficiency and accuracy of detection, so the sensor array needs to be optimized.The original sensor array consisting of eight inert metal electrodes was used to detect four kinds of abalone meat (refrigerated at 4℃ for 1 day, 4 days, 7 days and 10 days) with different freshness.The detection data were analyzed by one-way analysis of variance.According to the analysis results, Al and Pt electrodes with poor stability and differentiation were eliminated.Multiple comparative analysis of variance was used to conduct a significant analysis of the data of the remaining six electrodes.According to the significant difference, the electrodes without significant difference were divided into different groups to obtain four combinations.By combining principal component analysis and support vector classification, the performance of the original array composed of eight electrodes and the four groups of sensor arrays obtained after grouping were analyzed, and the most suitable sensor array for abalone freshness detection was selected.The results showed that the group III sensor array composed of Ag, Pd and Ti electrodes had the best effect on the freshness identification of abalone.
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) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».