Effect of machine learning techniques to detect Listeria monocytogenes in Queso fresco using shortwave-infrared imaging
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
Queso fresco (QF) is a type of soft, fresh cheese, often prone to post-processing Listeria monocytogenes (LM) contamination. In this study, we evaluated the potential of shortwave infrared (SWIR) imaging to detect LM in QF. About 10 g of QF was surface inoculated with three different strains of LM, such that the final population was approximately 1.0 log 10 CFU/g, 2.0 log 10 CFU/g, and 3.0 log 10 CFU/g. Following image acquisition, statistical features namely mean reflectance, standard deviation of reflectance, skewness, and kurtosis were used to develop classification models. A trend of decrease in mean reflectance with increase in LM population was observed. Three types of classification (binary, population-wise, and population-strain-wise) were performed by four supervised machine learning (ML) algorithms - Logistic regression (LR), Random Forest (RF), Support vector machine (SVM), and k-Nearest neighbor (kNN). RF outperformed binary and population-wise classifications with an accuracy of 100 %. In binary classification, followed by RF, SVM and kNN exhibited an accuracy of 94 % and 92 % respectively. In population-wise classification, SVM and kNN had classification accuracies in the range of 85–88 %. Among the ML models, LR resulted in poor accuracies across all three classifications. Strain-wise classification did not yield reliable accuracies, implying the overlap in genetic similarities. This study demonstrates that SWIR imaging along with chemometrics can be a prospective tool for real-time detection and (or) quantification of LM in fresh cheeses like QF. This approach will likely be a novel safety assessment tool in cheese industry with the potential to enhance product safety and consumer confidence in consumption of fresh cheeses.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle