Digital Image Analysis to Evaluate Sensory Attributes of Protein-Enriched Whole-Wheat Bread
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
New food products or reformulated food products require intensive sensory assessment using a group of panelists before launching in the market. Sometimes, the sensory results obtained by the panelists are inconclusive due to their subjective scores. An indirect and accurate method to evaluate the sensory attributes using images is highly beneficial to conduct preliminary screening during product development stages. Therefore, the objective of this study was to determine the potential of red-green-blue (RGB) color images to evaluate the sensory qualities of whole wheat bread reformulated with pea and soy protein isolates as model food. In this study, reformulated whole wheat (WW) bread was used as model food to determine the potential of digital color images in assessing the selected sensory attributes. Seven types of WW bread was evaluated by ten untrained panelists. Four features (edge detection, pore numbers, pore area and Hu-moment similarity) were extracted from the images of the bread slices and compared with measured sensory scores. In general, the polynomial regression models yielded higher R2 values than linear regression models. The R2 values in polynomial regression models ranged 0.82-0.97, 0.60-0.92, 0.55-0.96, 0.77-0.99, 0.67-0.97, and 0.50-0.87 for chewiness, graininess, moistness, taste, desired aroma and overall acceptability, respectively. Hu-moment similarity provided the highest R2 values for the sensory attributes in polynomial regression models. In conclusion, although image-based sensory assessment may not substitute the current human sensory, it can provide valuable information to supplement the decision making process.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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