Food surface characterization by scanning electron microscopy and fractal analysis: A review
Notice bibliographique
Résumé
Surface characterization of food products is critical for understanding their physical, chemical, and biological properties, which have a direct impact on quality, safety, and consumer acceptability. Scanning electron microscopy (SEM) paired with "fractal analysis" has developed as an effective method for studying food surfaces at the micro- and nanoscales. This review investigated the use of SEM to examine the topographical features of various food items, such as fruits, vegetables, grains, and processed foods, emphasizing the importance of surface morphology in determining texture, moisture retention, and overall product quality during consumption and storage. Fractal analysis, together with SEM, is a quantitative approach for describing the complexity of foods surface structures. Fractal and multifractal analysis using SEM images yields a numerical description of surface roughness, complexity, and heterogenicity. The combination of SEM with fractal analysis not only allows for a more in-depth study of food surface characteristics, but it also helps to optimize food processing procedures. Positive correlations between processing (drying, frying, freezing) time, fractal dimension, and surface openings have been established. Fractal dimension of various food items (fruit, vegetable, crispy product, powder, extrudate product, puffed food, frozen product, fish, etc.) and their characteristics quality attributes have been found expressively interlined. The outcomes of multifractal analysis (Singularity and Rényi spectra) successfully characterized heterogenicity in foods surface micro-structure. SEM image-based fractal analysis, which reveals the subtle links between surface morphology and food attributes, showed potential to significantly expand food science and technology, paving the door for advances in food processing and quality management.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».