Augmented reality for food quality assessment: Bridging the physical and digital worlds
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Augmented Reality (AR) is revolutionizing technology that has found applications in food quality and safety assessment as related to addressing challenges in traditional methods that often lack real-time precision, impacting food. This review explores AR's components, applications, and impacts on real-time food quality inspection, sensory evaluation , and traceability. AR empowers food industry stakeholders like consumers and inspectors by enhancing inspections, evaluations, and transparency. It bridges the physical and digital realms, redefining food inspection, and re-establishing consumer trust by providing real-time inspection, quality control , and transparency solutions. This paper dissects AR's core components, such as smart glasses and smartphones, exploring applications that offer precision and transparency in food assessment. AR enables inspectors to identify defects, contamination, and quality issues with unparalleled precision. Sensory evaluation is enhanced, ensuring standardized assessments based on attributes like color, texture, and flavor. Traceability and transparency solutions empower consumers with access to origin and quality information. AR extends to smart glasses and devices, streamlining inspections and enhancing quality assurance workflows. Successful case studies validate AR's practicality across food industry sectors. Ethical, regulatory, and innovative considerations are vital in this transformative process. Therefore, AR revolutionizes food quality assessment , enhancing safety, quality, and transparency. Through improved ethical and regulatory considerations, innovation, and collaboration delivered by AR, the food industry elevates its standards. This not only safeguards global consumer health but also elevates their satisfaction and trust.
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.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle