A review of nut quality assessment using hyperspectral imaging technique
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.
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 | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 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 ».