A Decision Support Tool to Analyze Food Properties from Near Infrared Spectroscopy*
Notice bibliographique
Résumé
Near infrared spectroscopy (NIRS) is an analytical technique that is gaining popularity in the food industry due to its low operating costs, rapid analysis and non-destructive sample technique. Numerous studies have shown the relevance of NIR spectra analysis to determine certain quality attributes of food. This makes it attractive for use in quality control and continuous monitoring of food processing. However, the calibration process of NIR is difficult and time-consuming. Depending on the configuration of the NIR instrument, the sample to be analyzed and the attribute to be predicted, the analysis methods and techniques vary. This makes calibration a challenge for many manufacturers. This article aims to develop a decision support tool to assess food properties based on the analysis of selected features of NIR spectra. It intends to provide support to calibrate a predictive model based on NIR spectra. The methodology-based decision support tool was evaluated on cocoa bean samples. The tool suggested using the SG filter technique and PLSR machine learning model to predict the moisture and fat content of cocoa beans. The PLSR model with 4 components trained from 63 wavelengths obtained excellent results for the prediction of moisture content with an R2CV of 0.9 and an RMSEP of 0.28. While the PLSR model with 8 components trained from 166 wavelengths obtained satisfactory results for the prediction of fat content with an R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>CV of 0.93 and an RMSEP of 1.52.
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 | 0,002 |
| 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) | 0,021 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».