Optimizing wild blueberry juice production: Sensory, physicochemical, and phytochemical characteristics
Notice bibliographique
Résumé
ABSTRACT The goal of this study is to help small-scale producers improve the quality of wild blueberry juice by identifying practical, optimized processing conditions that enhance its sensory and nutritional attributes. Valued for their health benefits, wild blueberries are typically frozen due to their short harvest season and later processed into juice. Using an experimental design approach, we evaluated the effects of thawing method, extraction technique, enzymatic treatment, and pasteurization time on juice quality. Sensory analysis identified 14 descriptors, including desirable notes such as blueberry aroma and citrus and undesirable notes such as an earthy flavor, which is linked to volatile compounds like 3-octan-1-ol and 2-(E)-decenal. Pectinase treatment increased juice yield by up to 91 % and anthocyanin content by up to 4,287 mg/L, though it also intensified astringency and sourness. °Brix values ranged from 10.6 to 14.0, and turbidity varied with processing. Principal component analysis revealed distinct sensory profiles between experimental and commercial juices. The optimal conditions, oven thawing at 40 °C for eight minutes, traditional extraction, pectinase addition, and pasteurization at 90 °C for one minute, offer a practical framework for producing high-quality juice.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».