Detection of Mycotoxins in Cereal Grains and Nuts Using Machine Learning Integrated Hyperspectral Imaging: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cereal grains and nuts are the world's most produced food and the economic backbone of many countries. Food safety in these commodities is crucial, as they are highly susceptible to mold growth and mycotoxin contamination in warm, humid environments. This review explores hyperspectral imaging (HSI) integrated with machine learning (ML) algorithms as a promising approach for detecting and quantifying mycotoxins in cereal grains and nuts. This study aims to (1) critically evaluate current non-destructive techniques for processing these foods and the applications of ML in identifying mycotoxins through HSI, and (2) highlight challenges and potential future research directions to enhance the reliability and efficiency of these detection systems. The ML algorithms showed effectiveness in classifying and quantifying mycotoxins in grains and nuts, with HSI systems increasingly adopted in industrial settings. Mycotoxins exhibit heightened sensitivity to specific spectral bands within HSI, facilitating accurate detection. Additionally, selecting only relevant spectral features reduces ML model complexity and enhances reliability in the detection process. This review contributes to a deeper understanding of the integration of HSI and ML for food safety applications in cereal grains and nuts. By identifying current challenges and future research directions, it provides valuable insights for advancing non-destructive mycotoxin detection methods in the food industry using HSI.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle