E-Sniffer: Raw Meat Freshness Detection Tool Based on Odor Classification and Fuzzy Logic Utilizing Gas Fusion Sensor
Notice bibliographique
Résumé
Traditional approaches to assessing meat freshness continue to depend on visual inspection, manual olfactory evaluation, or laboratory analyses that are often subjective, labor-intensive, and expensive.To address these gaps, this study developed E-Sniffer, an Internet of Things (IoT)-based meat freshness detection tool that identifies the freshness level of meat through odor analysis using SGP40, MQ-137, and DHT22 sensors.These sensors identify decay gases including Total Volatile Organic Compounds (TVOC), Ammonia (NH), Hydrogen Sulfide (HS), and Trimethylamine (TMA), temperature and humidity.The collected data is analyzed through an ESP32 microcontroller with Mamdani Fuzzy Logic algorithm to categorize the freshness of meat into three distinct levels: fresh, slightly spoiled, and not fresh.The analysis results display on a Nextion Touch Display and transmitted via Bluetooth, enabling monitoring through a Flutter-based app.Experiments conducted on beef, chicken, and fish revealed an impressive detection success rate of 80%, accompanied by an average response time of just 10 seconds.The accuracy of the results is ensured through a manual comparison method for validation.This innovation positions E-Sniffer as an objective, rapid, and portable solution for consumers, restaurants, and the food industry in assessing meat freshness, ultimately enhancing food safety and the quality of products consumed.
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 ».