MétaCan
Menu
Retour à la cohorte
Enregistrement W4390398480 · doi:10.3390/foods13010120

Assessment of Mechanical Damage and Germinability in Flaxseeds Using Hyperspectral Imaging

2023· article· en· W4390398480 sur OpenAlexafffund
Mohammad Nadimi, L. G. Divyanth, Muhammad Mudassir Arif Chaudhry, Taranveer Singh, Georgia Loewen, Jitendra Paliwal

Notice bibliographique

RevueFoods · 2023
Typearticle
Langueen
DomaineChemistry
ThématiqueSpectroscopy and Chemometric Analyses
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésHyperspectral imagingPartial least squares regressionChemometricsVNIRGerminationPrincipal component analysisLinear discriminant analysisMathematicsArtificial intelligenceComputer scienceStatisticsMachine learningBotanyBiology

Résumé

récupéré en direct d'OpenAlex

The high demand for flax as a nutritious edible oil source combined with increasingly restrictive import regulations for oilseeds mandates the exploration of novel quantity and quality assessment methods. One pervasive issue that compromises the viability of flaxseeds is the mechanical damage to the seeds during harvest and post-harvest handling. Currently, mechanical damage in flax is assessed via visual inspection, a time-consuming, subjective, and insufficiently precise process. This study explores the potential of hyperspectral imaging (HSI) combined with chemometrics as a novel, rapid, and non-destructive method to characterize mechanical damage in flaxseeds and assess how mechanical stresses impact the germination of seeds. Flaxseed samples at three different moisture contents (MCs) (6%, 8%, and 11.5%) were subjected to four levels of mechanical stresses (0 mJ (i.e., control), 2 mJ, 4 mJ, and 6 mJ), followed by germination tests. Herein, we acquired hyperspectral images across visible to near-infrared (Vis-NIR) (450–1100 nm) and short-wave infrared (SWIR) (1000–2500 nm) ranges and used principal component analysis (PCA) for data exploration. Subsequently, mean spectra from the samples were used to develop partial least squares-discriminant analysis (PLS-DA) models utilizing key wavelengths to classify flaxseeds based on the extent of mechanical damage. The models developed using Vis-NIR and SWIR wavelengths demonstrated promising performance, achieving precision and recall rates >85% and overall accuracies of 90.70% and 93.18%, respectively. Partial least squares regression (PLSR) models were developed to predict germinability, resulting in R2-values of 0.78 and 0.82 for Vis-NIR and SWIR ranges, respectively. The study showed that HSI could be a potential alternative to conventional methods for fast, non-destructive, and reliable assessment of mechanical damage in flaxseeds.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,094
Score d'incertitude au seuil0,388

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,356
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFoodsMême sujetSpectroscopy and Chemometric AnalysesTravaux en français237 207