Non-destructive testing techniques (NDTTs) for microbial contamination in cheese: A review
Notice bibliographique
Résumé
: Background As per the World Health Organisation, about 600 million cases of foodborne illness and 420,000 fatalities happen every year due to the consumption of food contaminated with microorganisms or chemicals. In cheese production, microbiological contamination poses a significant challenge at every stage of processing, from raw milk collection to ripening. Pathogens and spoilage microbes namely Listeria monocytogenes, Clostridium butyricum, Escherichia coli, Streptococcus spp., and Penicillium spp. can invade cheese despite its acidic or saline nature. Hence, timely detection of such microbes is essential to ensure safety for consumer consumption. Traditional microbiological testing methods such as culture-based techniques are time-consuming due to longer incubation duration. On the contrary, advanced detection methods like nucleic acid-based techniques (PCR), immunological techniques like ELISA, and liquid chromatography provide rapid results but require expensive equipment and skilled personnel. Scope and approach Recent emerging non-destructive testing techniques (NDTTs) like hyperspectral imaging, spectroscopic methods (Near Infrared, FTIR, fluorescence, and Surface enhanced Raman), and electronic-nose (E-nose) have been widely used for quick detection of microbial contaminants in cheese, without physically altering or damaging the sample. Moreover, they have high accuracy, sensitivity and proven potential to differentiate microbial species in cheese samples. Key findings and conclusion The integration of spectroscopy with chemometrics resulted in an acceptable correlation coefficient of 0.89-0.96. This review summarizes the existing application of various conventional methods and NDTTs in cheese microbial detection. Furthermore, this study also highlights the merits and demerits of NDTTs. The utilization of suitable NDTT along with chemometrics could help in real-time monitoring of microbial contaminants in the cheese industry.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».