Effect of Extracts from Chinese Ginger, Garlic and Coriander on Removing Fishy Taste of Tilapia Fillets and Optimization of Deodorization Formula
Notice bibliographique
Résumé
With the growing demand for a natural deodorizer, ginger, garlic and coriander extracts were proposed to remove the fishy smell of tilapia fillets. The effects of different concentrations of ginger, garlic and coriander extracts on the fishy smell value, fat oxidation and total bacterial count of tilapia fillet were studied by single factor experiments. Then the proportion of the three extracts was optimized by response surface test. The results showed that ginger, garlic and coriander extracts at concentrations of 6~8 g/L could effectively reduce the fishy smell value of fresh tilapia fillets and inhibit the production of fishy smell during cold storage. All of the three extracts could significantly inhibit the increase of thiobarbital acid value at concentrations of 8 g/L and the garlic extract had better inhibition effect. Ginger, garlic and coriander extracts could effectively reduce the total bacterial count of tilapia fillets during cold storage at concentrations of 8, 8, 10 g/L respectively. The antibacterial effect of garlic extract was better than the other extracts. The optimum compound concentrations of the three extracts to remove the fishy smell were as follow: 8.9 g/L of ginger extract, 7.5 g/L of garlic extract and 5.8 g/L of coriander extract. The fishy smell value of fresh tilapia fillet was 0.42 in this optimum formula. The compound combination of ginger, garlic and coriander extracts had a better effect on removing fishy smell of tilapia fillet.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».