Raman and Mid-Infrared Spectroscopy Coupled With Machine–Deep Learning for Adulterant Detection in Ground Turmeric
Notice bibliographique
Résumé
The intricate nature of the global food supply chain and the presence of regulations spanning multiple jurisdictions contribute to an increased likelihood of food adulteration. This underscores the need for effective monitoring methods to guarantee the safety and nutritional quality of our food. In this context, the application of infrared spectroscopy-based techniques emerges as an environmentally friendly, non-invasive, and waste-minimizing solution for authenticating food products. Infrared spectra serve as unique molecular fingerprints, offering a multidimensional representation of how chemical bonds in the material interact with infrared light. Chemometrics, which are primarily linear-based models, play a crucial role in extracting essential information from spectral data, enabling dimensionality reduction, classification, and predictive analysis. Recent progress in the field of big data science and artificial intelligence has brought forth machine learning and deep learning algorithms explicitly designed to uncover features from complex multidimensional data, encompassing both linear and nonlinear relationships. These advancements have the potential to enhance the detection of adulterants in food products. This study assesses the accuracy of various shallow machine learning models and a deep learning model based on a one-dimensional convolutional neural network (1D CNN). The evaluation is conducted using Raman and infrared spectral data obtained from ground turmeric samples that were deliberately adulterated with five distinct substances. The study highlights the improved classification accuracy achieved through the implementation of the 1D CNN model.
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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».