Evaluation of pork meat quality by using water holding capacity and vis-spectroscopy
Bibliographic record
Abstract
RÉSUMÉ Cette étude a visé l'évaluation de la capacité de rétention d'eau (CRE) et la spectroscopie en spectre visible, pour l'évaluation de la qualité de la viande porcine. En premièr lieu, différentes méthodes pour mesurer la CRE (suspension et égouttement pour 2 ou 4 jours, centrifugation, absorption par matériau coton-rayone, ou par papier filtre), servant à classifier les échantillons de viande porcine selon des critères de qualité bien définis, furent comparées. Les échantillons de viande porcine furent regroupés en quatre classes de qualité: PFN (pâle, ferme et non-exudative), PSE (pâle, mol et exudative), et RFN (rouge, ferme et non-exu). Une analyse discriminante utilisant l'option STEPDISK servit à séparer ces quatre classes de qualité. Pour discriminer entre les viandes FN (ferme, non-exsudatif) et SE (mou, exsudatif), les méthodes de mesure de la CRE par absorption avec coton-rayone ou papier filtre furent les plus performantes. En deuxiéme lieu phase, une classification de la qualité de la viande porcine par spectroscopie en spectre visible fut visée. L'analyse discriminante servit à regrouper les échantillons en catégories de qualité, puis l'option STEPDISK a sélectionnée les longueurs d'ondes les plus appropriées. En choisissant des longueurs d'ondes de 500, 430, 550, 570, et 510 nm, il fut possible de distinguer, avec une exactitude de 85%, entre les classes P (pâle) et R (rouge) de viande porcine.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".