Detection of Peanut Contamination in Wheat Flour Using a Digital Light Processing ( <scp>DLP</scp> ) Based Near‐Infrared Spectrometer and Ensemble Machine Learning
Notice bibliographique
Résumé
ABSTRACT Peanut flour contamination poses significant health and regulatory challenges within food production systems, often originating from adulterated raw materials or cross‐contamination during processing. Rapid and non‐destructive detection methods are essential for real‐time monitoring and mitigation. This study aimed to develop a non‐destructive detection system using a portable digital light processing (DLP) based near‐infrared (NIR) spectrometer integrated with machine learning (ML) models to identify and quantify peanut adulteration in wheat flour. Samples were systematically prepared by blending wheat flour with peanut flour at six contamination levels: 0%, 2%, 4%, 6%, 8%, and 10% (w/w). Spectral data were acquired using a handheld DLP‐NIR device operating in the 900–1700 nm range. Due to limited separability among contamination levels, a binary classification framework was adopted to distinguish pure wheat flour (0%) from contaminated samples (≥ 2%) using models such as Linear Discriminant Analysis, Logistic Regression, and boosted tree ensembles. Regression models including Extra Trees, Random Forest, and LightGBM were trained to estimate contamination levels. Spectral preprocessing involved normalization and Yeo‐Johnson transformation, while model evaluation employed stratified K‐fold cross‐validation with Optuna‐based hyperparameter tuning. The top five performing classifiers were selected for ensemble learning to enhance predictive performance. The final ensemble classifier achieved accuracy, precision, recall, and F1‐score values of 0.9937, 0.9976, 0.9948, and 0.9962, respectively. Ensemble regressors yielded R 2 = 0.7477, RMSE = 1.7157, and MAE = 1.148, demonstrating promising semi‐quantitative estimation capabilities. These results highlight the feasibility of combining portable NIR spectroscopy with ensemble ML for rapid, in‐line detection of peanut contamination in wheat flour.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».