Rapid prediction of beef colour evolution and myoglobin forms using near-infrared spectroscopy (NIRS)
Notice bibliographique
Résumé
• NIRS is capable to evaluate colour and myoglobin parameters of beef products. • Chemometrics methods (PLS-R and SVM-R) are used to analysis the NIRS data. • Wavelengths selection improve the predictive performance for meat analysis. • R 2 Val values of myoglobin parameters were over 0.95 using PLS-R model. Meat offers essential nutrients and protein, with some vitamins and minerals rare in plant-based diets. Its colour, an essential quality indicator, influences consumer choices, shelf life, and economic aspects of meat products. Conventional measurements include an objective description of instrumental meat colour (CIELAB) and evaluation of myoglobin profiles, which are usually resource intensive and time consuming. This study aimed to expand the use of spectral techniques as a screening tool for efficient evaluation of colour and myoglobin profile of beef products. NIR spectroscopy (NIRS) was used to evaluate colour related meat quality parameters of beef products over long storage days, including CIELAB colour (L*, a*, b*, ΔE), total myoglobin content (mg/g), and three myoglobin forms (Deoxymyoglobin - DeoMb, Oxymyoglobin - MbO 2 , and Metmyoglobin - MetMb). Results have shown that the use of NIR spectroscopy for evaluating colour parameters in beef products shows great promise as a reliable and efficient method. At the validation stage, the RPD values following PLS-R modelling of these quality parameters (L*, a*, b*, ΔE, Total Myoglobin, DeoMb, MbO 2 , MetMb) were 7.03, 7.03, 6.84, 1.12, 7.79, 4.18, 7.09, 25.38, and 16.27, respectively. This study demonstrates that the NIR spectroscopy coupled with chemometrics methods is a promising approach for rapid quantitative analysis of colour and myoglobin parameters in meat products.
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 ».