Advancements in rapid and non-destructive approaches for quality assessment of fried foods and frying oil
Notice bibliographique
Résumé
This study investigated the advancement in quick and non-destructive ways of assessing the quality of fried meals and frying oil, with the goal of improving food safety and consumer pleasure. Traditional quality assessment approaches sometimes include time-consuming and harmful testing, which limits their usefulness in real-time monitoring. It looked at the progression of traditional methods and the emergence of cutting-edge technologies, with a particular emphasis on the integration of multimodal approaches. This review focuses on modern approaches including spectroscopy, imaging technologies, and electronic noses that allow for the quick evaluation of essential quality features of frying oil and fried food products such as texture, color, and oil degradation. Key findings show that these unconventional approaches (e.g., NIR-spectroscopy, electric nose, imaging, etc.) are a reliable alternative to established studies, allowing producers to optimize frying operations while maintaining product integrity. However, the report acknowledges some limitations. Non-destructive approach calibration can be complicated, requiring large datasets to maintain accuracy across multiple food matrices. Furthermore, the initial price of new equipment may be a barrier for smaller food producers. Despite these challenges, incorporating quick and non-destructive procedures into quality evaluation is a big step forward for the food sector, supporting increased safety, efficiency, and product quality. Future research recommendations emphasize the need of continuous inquiry in addressing difficulties and discovering new possibilities. Future research should focus on standardizing these procedures and tackling scaling challenges in order to maximize their use across a wide range of food 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».