深層学習アルゴリズムと組み合わせたパイロット規模可視NIR分光法を用いるディープフライスインスタント麺のインライン品質保証【JST・京大機械翻訳】

Upadhyay Rohit; Gupta Anshul; Mishra Hari Niwas; Bhat Shrinivasa N.

文献

J-GLOBAL ID：202202230587222368 整理番号：22A0182991

深層学習アルゴリズムと組み合わせたパイロット規模可視NIR分光法を用いるディープフライスインスタント麺のインライン品質保証【JST・京大機械翻訳】

At-line quality assurance of deep-fried instant noodles using pilot scale visible-NIR spectroscopy combined with deep-learning algorithms

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0182991&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0182991&from=J-GLOBAL&jstjournalNo=W0246A") }}

著者 (4件)： , , ,
資料名：
巻： 133 号： PA ページ： Null 発行年： 2022年
JST資料番号： W0246A ISSN： 0956-7135 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：イギリス (GBR) 言語：英語 (EN)

パイロット規模設備で生産されたディープフライイングインスタント麺を,ディープラーニングアルゴリズムと組み合わせたオンライン可視-NIR分光法(380-1650nm)を用いて品質パラメータに対して監視した。堅牢なキャリブレーションを構築するために,即席麺,即ち,水分(1.6~11.04%),粗蛋白質(8.34~14.39%),全脂肪(12.38~26.68%)および全灰分(1.18~3.15%)に対するより広い範囲の品質パラメータを選択した。オリジナルな原生スペクトルデータを,競合適応再重み付けサンプリング(CARS)によって波長選択特徴アルゴリズムのために最適化する前に,異なる前処理(標準正規変量(SNV),トレンド除去(DT),一次導関数(FD),乗法散乱補正(MSC),その他)にかけた。キャリブレーションモデルを,従来の部分最小二乗回帰(PLSR)とサポートベクトルマシン回帰(SVMR)に基づく深層学習アルゴリズムを用いて確立した。一般に,SVMRモデリングは,最適予測統計(前処理法,決定係数(R2),予測の二乗平均平方根誤差(RMSEP),水分に対する偏差に対する予測の比(RPD))(CARS-SNV-DT,0.98,0.32,6.7),粗蛋白質(CARS-FD,0.98,0.18,8.15),および全脂肪(CARS-MSC,0.99,0.39,10.15)を与え,一方,部分最小二乗回帰(PLSR)は総灰分(CARS-raw,0.94,0.12,4.34)を与えた。特に麺製造者にとって,可視-NIR分光法と深層学習アルゴリズムの統一は,品質保証と制御における持続可能性の実現に有望である。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

著者キーワード (5件)： , , , ,

食品の分析 , 穀類とその製品一般 , 食品衛生一般 , 動物性水産食品 , 食品の品質

, , , , , , ,

前のページに戻る