A Practical Framework for Textural Categorization as a Guide to Food Bar Formulation
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
Model food bars were produced with different cooking temperatures and compression distance in order to determine if changing these processing parameters could produce meaningful differences in texture. The food bars were characterized by instrumental texture analysis using a cutting test and three-point bending test, and texture parameters were extracted from the resulting force curves. In order to determine if the changes in texture were meaningful, a selected set of texture-parameters were used to propose a novel approach to the classification of the texture of different food bars. The novel approach is to coarse-grain each texture parameter into a discrete number of bins, such as "high" and "low" value bins, based on some algorithm for defining the number of bins and the cutoff value between bins; thereby reducing the texture characterization from essentially infinite variability, to one with a fixed number of texture categories (e.g., 32 or 243, depending of the number of bins and parameters selected). Using a set of 30 commercial food bars, seven classification algorithms were evaluated for their utility in showing similarities and differences between the texture of the various food bars. When applied to the model food bars, the results showed that both the cooking temperature and the compression distance were able to alter the texture, though the former had a stronger effect. We conclude that this novel approach to texture classification is an easy-to-implement framework that can provide valuable insights for market research and product formulation of food bars.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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