Deep Learning Used with a Colorimetric Sensor Array to Detect Indole for Nondestructive Monitoring of Shrimp Freshness
Notice bibliographique
Résumé
-dimethylaminocinnamaldehyde (PDL)-doped poly(vinyl alcohol) (PVA) and chitosan (Chit) for the quantitative analysis of indole, which is an indicator of shrimp freshness. As a result of indole simulation, the array strip turned from faint yellow to pink or mulberry color with the increasing indole concentration, like a progress bar. The indicator film exhibited excellent permeability, mechanical and thermal stability, and color responsiveness to indole, which was attributed to the interactions between PDL and Chit/PVA. Furthermore, the colorimetric strip sensor array provided a good relationship between the indole concentration and the color intensity within a range of 50-350 ppb. The pathogens and spoilage bacteria of shrimp possessed the ability to produce indole, which caused the color changes of the strip sensor array. In the shrimp freshness monitoring experiment, the color-changing progress of the strip sensor array was in agreement with the simulation and could distinguish the shrimp freshness levels. The image classification system based on deep learning were developed, the accuracies of four DCNN algorithms are above 90%, with VGG16 achieving the highest accuracy at 97.89%. Consequently, a "progress bar" strip sensor array has the potential to realize nondestructive, more precise, and commercially available food freshness monitoring using simple visual inspection and intelligent equipment identification.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».