A review of nut quality assessment using hyperspectral imaging technique
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
Ensuring the quality and safety of nuts is essential due to their high economic value, vulnerability to contamination, and increasing global demand. Traditional quality assessment methods are often invasive, labor-intensive, and limited in scope. Hyperspectral imaging (HSI), a non-destructive technique that integrates spatial and spectral information, has emerged as a powerful tool for comprehensive nut quality evaluation. This review examines recent advancements in the application of HSI to major nut types, including walnuts, almonds, pistachios, hazelnuts, pecans, peanuts, and chestnuts. The surveyed studies demonstrate the successful use of HSI for assessing chemical composition, fungal contamination, aflatoxins, physical impurities, and varietal classification. Unlike earlier reviews that either broadly address plant-based products or focus narrowly on specific contaminants such as mycotoxins, this work synthesizes diverse postharvest HSI applications specific to nuts. By consolidating current knowledge, it underscores the potential of HSI as a comprehensive tool for nut quality monitoring and classification. This review identifies key gaps such as the need for standardized imaging protocols, enriched spectral libraries, and real-time processing capabilities, offering direction for future research and industrial adoption in nut quality monitoring. • Hyperspectral imaging is reviewed as a non-destructive tool for nut quality control. • Nut quality attributes like composition, fungi, aflatoxins, and variety are discussed. • Future outlook involves real-time HSI, hybrid sensing, and digital twin technologies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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