Predicting Quality Properties of Pears during Storage Using Hyper Spectral Imaging System
Notice bibliographique
Résumé
This paper presents a comprehensive analysis of the application of visible–near-infrared (Vis/NIR) spectroscopy for the estimation of various chemical attributes of pear fruit. Specifically, the paper investigates how pH, titratable acidity (TA), soluble solids content (SSC), and Vitamin C change as the pear undergoes different storage durations and temperatures. To obtain the most accurate prediction models, we applied a variety of pre-processing techniques to the acquired spectra. Notably, the combination of Savitzky-Golay (S.G.), Multiplicative Scatter Correction (MSC), and second derivatives (D2) emerged as the most effective method for predicting the fruit’s pH, with an impressive rp = 0.95 and SDR = 4.9. In contrast, combining S.G., MSC, and first derivatives (D1) yielded the most accurate predictions for TA, with a robust rp = 0.98 and SDR = 9.6. The research further delved into understanding how the storage period and temperature can significantly influence the pear fruit’s chemical properties. Our findings established that as the storage duration and temperature rise, the pH of the fruit also escalates, while TA sees a decline. The research further elucidates that prolonged storage periods and elevated temperatures lead to the pear fruit shedding its intrinsic qualities, resulting in a reduction in soluble solids and Vitamin C content. To summarize, this paper underscores the immense potential of Vis/NIR spectroscopy as a non-destructive and expedient tool for monitoring the chemical attributes of pear fruit during storage, especially when subjected to diverse temperature and time conditions. These insights not only add to the existing body of knowledge but also align with earlier research on how storage conditions can affect fruit quality.
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 | 0,001 |
| 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 ».