Pork meat quality evaluation from hyperspectral observations
Notice bibliographique
Résumé
Little research has been reported on the use of visible and near infrared spectroscopy for the prediction of meat quality classes.Therefore, in this study hyperspectral reflectance measurements ranging from 350 to 2500 nm were made with the help of a spectroradiometer on fresh pork loin samples belonging to four different quality classes (Red, firm, non-exudative: RFN; Pale, firm, non-exudative: PFN; Red, soft, exudative: RSE and; Pale, soft and exudative: PSE).The samples were collected from a local cutting house in Quebec, and they were classified by a meat specialist.Data collected from the samples was analyzed using a stepwise approach to identify wavebands useful in differentiating pork quality classes.Discriminant Analysis was used to evaluate the usefulness of the selected wavebands and to classify meat samples into four quality classes.An overall classification accuracy of 76% was obtained for the prediction of pork meat quality classes for unseen data.These results confirmed the possibility of the prediction of meat quality classes rather than the prediction of quality attributes, as is commonly reported in literature.Various classification methods have been used to utilize hyperspectral data for meat quality evaluation.Selection of the best method is crucial in extracting the valuable information contained in hyperspectral observations.Therefore, the performance of four classification methods, Artificial Neural Networks, Decision Trees, k-Nearest Neighbor, and Discriminant Analysis, was compared in classifying pork meat quality using hyperspectral data.Models were developed to sort meat into four quality classes (PFN, RFN, RSE, and PSE), into two classes (pale and red), and finally further into two classes (soft and exudative, and firm and non-exudative) within the pale and red meat samples.Overall, the Discriminant Analysis achieved the highest classification accuracy for sorting meat into four quality classes, its performance was followed by ANNs, k-NN and DTs.In order to explore the industrial applicability of the technique, hyperspectral observations were acquired at five different locations along the same meat samples.The data collected at each location was analyzed separately.Stepwise regression and
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,000 | 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 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 ».