Quality Characterization of Fava Bean-Fortified Bread Using Hyperspectral Imaging
Notice bibliographique
Résumé
As the demand for alternative protein sources and nutritional improvement in baked goods grows, integrating legume-based ingredients, such as fava beans, into wheat flour presents an innovative alternative. This study investigates the potential of hyperspectral imaging (HSI) to predict the protein content (short-wave infrared (SWIR) range)) of fava bean-fortified bread and classify them based on their color characteristics (visible-near-infrared (Vis-NIR) range). Different multivariate analysis tools, such as principal component analysis (PCA), partial least square discriminant analysis (PLS-DA), and partial least square regression (PLSR), were utilized to assess the protein distribution and color quality parameters of bread samples. The result of the PLS-DA in the SWIR range yielded a classification accuracy of ˃99%, successfully classifying the samples based on their protein contents (low protein and high protein). The PLSR model showed an RMSEC of 0.086% and an RMSECV of 0.094%. Also, the external validation resulted in an RMSEP of 0.064%. The PLSR model possessed the capability to efficiently predict the protein content of the bread samples. The results suggest that HSI can be successfully used to classify bread samples based on their protein content and for the prediction of protein composition. Hyperspectral imaging can therefore be reliably implemented for the quality monitoring of baked goods in commercial bakeries.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».