کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6664637 1427075 2018 45 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Classification of puffed snacks freshness based on crispiness-related mechanical and acoustical properties
ترجمه فارسی عنوان
طبقه بندی فست فود نوشیدنی ها بر اساس خواص مکانیکی و صوتی مرتبط با چرکینگی
کلمات کلیدی
بافت مواد غذایی، ویژگی های مکانیکی، خرد کردن برای تلفن های موبایل، چاشنی حسی / ترد یکپارچه سازی چند جانبه، فراگیری ماشین،
ترجمه چکیده
استفاده از روش های سازمانی برای حمایت از پانل های حسی در کنترل کیفیت روتین، چالش برانگیز باقی مانده است. تجزیه و تحلیل بافت اغلب کافی برای طبقه بندی دقیق این حسگر پیچیده است. در اینجا، 70 خواص مختلف غذایی با استفاده از الگوریتم های یادگیری ماشین ترکیب شدند تا تقلید یکپارچه سازی چند منظوره. نیروی و صدا در خرد کردن شیرینی های پف شده تعادل در سطوح مختلف رطوبت اندازه گیری شد. سپس پانل های حساس، تازه ترین و ترجیحات مربوط به شفافیت را براساس صداهای ضبط شده رتبه بندی می کنند. ترکیبی از ویژگی های انتخاب شده برای آموزش مدل های یادگیری ماشین برای به رسمیت شناختن سطوح طراوت در سطوح مختلف رطوبت استفاده شد. دقت طبقه بندی در مقایسه با تکنیک های تحلیل بافت سنتی بهبود یافته است. دقت 92٪ می تواند با دستگاه برش پشتیبانی درجه دوم یا الگوریتم های شبکه عصبی مصنوعی به دست آید. علاوه بر این، باند فرکانس های سه اکتاو، که ویژگی های فرکانس های شکست و میدان های صوتی را مشخص می کند، به عنوان توصیفگر اصلی مورد استفاده قرار می گیرد، که در طول تحقیق و توسعه تنقلات پف شده مورد توجه قرار می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی مهندسی شیمی (عمومی)
پیش نمایش مقاله
طبقه بندی فست فود نوشیدنی ها بر اساس خواص مکانیکی و صوتی مرتبط با چرکینگی
چکیده انگلیسی
The use of instrumental methods to support sensory panels in the routine quality control of crispiness remains challenging. Texture analysis is often insufficient to accurately classify this complex sensory attribute. Herein, 70 different food properties were combined via machine learning algorithms to mimic multisensory integration. Force and sound were measured during crushing of puffed snacks equilibrated at different humidity levels. Sensory panels then ranked crispiness-related freshness and preference based on the recorded sounds. Selected feature combinations were used to train machine learning models to recognize the freshness levels at different humidity levels. The classification accuracy was improved compared with traditional texture analysis techniques; an accuracy of up to 92% could be achieved with quadratic support vector machine or artificial neural network algorithms. Moreover, third-octave frequency bands, characterizing breakage frequencies and sound pitches, were determined to be main descriptors to be taken into account during the research and development of puffed snacks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Food Engineering - Volume 226, June 2018, Pages 53-64
نویسندگان
, , ,