Non-Invasive NIR Spectroscopy for Precise Water Content Determination in Sumatran Coffee Beans
Notice bibliographique
Résumé
The amount of water in roasted coffee beans can lead to fat oxidation, shortening their shelf life and affecting both the grinding procedure and the distribution of particle sizes in the coffee powder.In this work, the ability of NIR spectroscopy to ascertain the water content of Sumatran-roasted coffee beans will be evaluated non-invasively.The Thermo Nicolet Antaris TM II NIRS device collected NIR spectrum data for wavelengths between 1000 and 2500 nm, which has a high response to water content.The reference water content is calculated using the gravimetric method.Pre-processing techniques used to generate the calibration model include multiplicative scatter correction (MSC) to eliminate optical path differences, the Savitzky-Golay 9-point smoothing window, firstorder derivative (SG-1 st D) to smooth the spectra, and a combination of MSC and SG-1 st D (MSC+SG-1 st D).According to research findings, the calibration model employing the MSC+SG-1 st D pre-processing techniques provides the most accurate prediction of the water content of Sumatran roasted coffee beans with Rp 2 = 0.995 and RMSEP = 0.003%.This finding will significantly impact the coffee industry, guarantee high-quality roasted coffee beans, and increase competitiveness in international markets.This is due to the ability of the NIR spectroscopy method to provide water content results quickly compared to conventional methods that require a relatively long time to carry out measurements, even though it gives accurate results if done carefully and using wellcalibrated equipment.Additionally, this study advances our understanding of how to use NIR spectroscopy to evaluate roasted coffee quality and extends its applicability to Sumatran coffee, which is renowned for its distinctive qualities.
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 | 0,001 |
| 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 ».