Rapid Spectroscopic Analysis for Food and Feed Quality Control: Prediction of Protein and Nutrient Content in Barley Forage Using LIBS and Chemometrics
Notice bibliographique
Résumé
Rapid and accurate assessment of nutritional quality, particularly crude protein content and essential nutrient concentrations, remains a major challenge in the food and feed industries. In this study, laser-induced breakdown spectroscopy (LIBS) was combined with advanced chemometric modeling to predict the levels of crude protein and key macro- and micronutrients (Ca, Mg, K, Na, Fe, Mn, P, Zn) in 61 barley forage samples composed of whole aerial plant parts ground prior to analysis. LIBS offers a compelling alternative to traditional analytical methods by enabling real-time analysis with minimal sample preparation. To minimize interference from atmospheric nitrogen, nitrogen spectral lines were excluded from the protein calibration model in favor of spectral lines from elements biochemically associated with proteins. We compared the performance of Partial Least Squares (PLSR) regression and Extreme Learning Machine (ELM) using fivefold cross-validation. ELM outperformed PLS in terms of prediction, achieving a coefficient of determination (R2) close to 1 and a ratio of performance to deviation (RPD) exceeding 2.5 for proteins and several nutrients. These results underscore the potential of LIBS-ELM integration as a robust, non-destructive, and in situ tool for rapid forage quality assessment, particularly in complex and heterogeneous plant matrices.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».