Rapid detection of neutralising acid adulterants in raw milk using a milk component analyser and chemometrics
Notice bibliographique
Résumé
This study focused on the development of a method for the rapid detection of acid-neutralising adulterants in raw milk using a milk composition analyser. Qualitative analysis for the discrimination of different acid-neutralising acid adulterants in raw milk and quantification of NaSCN in adulterated raw milk were conducted, combined with chemometrics. The results showed that the milk component analyser combined with principal component analysis (PCA) could judge whether raw milk samples were adulterated but cannot identify the types of adulterated substances. Although partial least squares discrimination analysis (PLS-DA) can distinguish some adulterated raw milk samples, the accuracy rate was only 56.3%; the random forest (RF) model could recognise most adulterated raw milk samples with an accuracy rate of 97.5% and the F1-score was 0.9638. In the prediction model of NaSCN adulteration concentration in raw milk constructed by RF, the coefficient of determination (<i>R</i><sup>2</sup>) was 0.9889, and the root means square error (RMSE) was 3.28 × 10<sup>−4</sup>, suggesting a high prediction performance of the model. The effectiveness of the method for the detection of real samples in practical production was also proved. Based on the above results, it could conclude that the milk component analyser, combined with chemometrics, effectively distinguished acid-neutralising adulterants in raw milk. These findings provide a reference for the rapid detection of adulterants and the quality control of raw milk.
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) | 0,022 | 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 ».