Optimizing lab methods for consistent rice milling analysis
Notice bibliographique
Résumé
Abstract Background and Objectives Milling is one of the most important postharvest processes in rice production. Traditionally, the McGill #2 mill has been used for lab milling to assess rice milling performance as per the recommendation of the Federal Grain Inspection Service (FGIS). However, as the FGIS is phasing out the use of the McGill #2 mill, there is a need to recalibrate milling assessments for standardized milling evaluation across various labs. Thus, the objective of this study was to assess the milling performance of three laboratory mills (McGill #2, Satake, and Zaccaria mills) on the head rice yield (HRY), milled rice yield (MRY), and whiteness index (WI) of rice. Findings MRY was greater than 60%, while HRY varied between 28% and 60% over all treatments. The Satake mill demonstrated a higher MRY and is significantly different from the McGill #2 and Zaccaria mills. Similarly, the Satake mill produced the highest HRY, followed by the Zaccaria mill and the McGill #2. On the contrary, the Satake mill exhibited the lowest WI, about 0.6 and 0.9 percentage points (pp) lower than McGill #2 and the Zaccaria mill, respectively. Conclusions Rice cultivars and mill types had the most significant impact on the aforementioned explored variables. Among the mills, the Satake mill displayed the highest MRY and HRY but had the lowest WI. We recommend that the 0.4 SLC value associated with well‐milled rice be reviewed, which could perhaps lead to more HRY and impact the economic value of rice for growers. Significance and Novelty This study offers insights into the milling capabilities of the evaluated mills. However, further research is necessary to understand and optimize other modern laboratory mills.
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 | 0,000 |
| 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 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 ».