The objective of this paper is to p

The objective of this paper is to present a fusion model of an odor sensor and highly advanced optical sensor to evaluate total volatile basic nitrogen (TVB-N) content in chicken meat. Here, the aroma or the odor data variables obtained from the odor sensor i.e. colorimetric sensor and the spectral as well as textural data variables obtained from the optical sensor i.e. HSI, were fused together for further data processing. 36 odor variables obtained via the low-level data abstraction (LLA) were simply concatenated with the 30 texture feature variables obtained by middle/intermediate level data abstraction (ILA) totaling to a 66 variables’ dataset. This approach of multiple level data fusion (MLF) produced the better PCA-BPANN prediction results than either of the individual system did, with the higher Rp of 0.8659, lower RMSEP of 4.587 mg/100 g along with the increased calibration model efficacy. Furthermore, the prediction level escalated with Rp of 0.8819 and RMSEP of 4.3137 mg/100 g when the data fusion technique was improved by applying Pearson’s correlation analysis and uncorrelated data variables were removed from each of the dataset at the statistical level of significance. This step reduced the data variables but not the original information. Therefore, the results highly encourage multiple sensor fusion and the improved MLF technique for better model performance to evaluate chicken meat’s freshness.

ผลลัพธ์ (ไทย) 1:

วัตถุประสงค์ของเอกสารนี้คือการ นำเสนอแบบฟิวชั่นของการเซ็นเซอร์กลิ่น และสูงเซ็นเซอร์ออปติคัลเพื่อประเมินเนื้อหาพื้นฐานไนโตรเจนรวมผันผวน (รับเข้า-N) ในเนื้อไก่ ที่นี่ หอมหรือตัวแปรข้อมูลกลิ่นที่ได้จากเซนเซอร์กลิ่นเช่นสีเซ็นเซอร์และตัวแปรข้อมูลสเปกตรัม เป็นเนื้อสัมผัสที่ได้จากเซ็นเซอร์แสงเช่น HSI ถูกหลอมรวมกันสำหรับการประมวลผลข้อมูลต่อไปนี้ ตัวแปรกลิ่น 36 รับผ่านทางนามธรรมข้อมูลระดับต่ำ (LLA) ถูกเพียงเชื่อมรวมกับตัวแปรคุณลักษณะเนื้อ 30 ได้ โดยนามธรรมข้อมูลระดับกลาง/ระดับกลาง (ILA) รวมถึงชุดข้อมูลของตัวแปรที่ 66 วิธีการนี้หลายข้อมูลระดับฟิวชั่น (MLF) ผลิตดี PCA BPANN การคาดการณ์ผลลัพธ์กว่าอย่างใดอย่างหนึ่งแต่ละระบบได้ กับ Rp สูงของ 0.8659, RMSEP ล่างของ 4.587 มิลลิกรัม/100 กรัมพร้อมกับประสิทธิภาพที่ปรับเพิ่มขึ้นเทียบรุ่น นอกจากนี้ การทำนายระดับเลื่อนระดับ Rp ของ 0.8819 และ RMSEP ของ 4.3137 มิลลิกรัม/100 กรัมเมื่อปรับปรุงเทคนิคการหลอมรวมข้อมูล โดยใช้การวิเคราะห์สหสัมพันธ์ของเพียร์สัน และตัวแปร uncorrelated ข้อมูลถูกเอาออกจากชุดข้อมูลที่ให้สถิติระดับนัยสำคัญ ขั้นตอนนี้ลดตัวแปรข้อมูลแต่ไม่ข้อมูลเดิม ดังนั้น ผลสูงให้ฟิวชั่นหลายเซนเซอร์และเทคนิค MLF ดีขึ้นสำหรับประสิทธิภาพที่ดีกว่าแบบจำลองเพื่อประเมินความสดเนื้อไก่

ผลลัพธ์ (ไทย) 2:

วัตถุประสงค์ของการวิจัยนี้คือจะนำเสนอรูปแบบการหลอมรวมของเซ็นเซอร์กลิ่นและสูงเซ็นเซอร์แสงขั้นสูงในการประเมินรวมเนื้อหาระเหยไนโตรเจนระดับล่าง (TVB-N) ในเนื้อไก่ นี่กลิ่นหอมหรือตัวแปรข้อมูลกลิ่นที่ได้จากเซ็นเซอร์กลิ่นเช่นเซ็นเซอร์สีและเงาเช่นเดียวกับตัวแปรข้อมูลเนื้อสัมผัสที่ได้รับจากเซนเซอร์จับแสงเช่น HSI ถูกหลอมรวมกันสำหรับการประมวลผลข้อมูลเพิ่มเติม 36 ตัวแปรกลิ่นที่ได้รับผ่านทางนามธรรมข้อมูลในระดับต่ำ (LLA) ได้รับการตัดแบ่งเพียงกับตัวแปรคุณลักษณะ 30 พื้นผิวที่ไ​​ด้จากการ / กลางนามธรรมข้อมูลในระดับกลาง (ILA) รวมเป็นเงินทั้งสิ้น 66 ชุดข้อมูลตัวแปร ' วิธีการนี​​้ของฟิวชั่นข้อมูลหลายระดับ (MLF) ผลิตที่ดีกว่าการคาดการณ์ผลการ PCA-BPANN กว่าทั้งระบบของแต่ละบุคคลได้ด้วยรูเปียห์ที่สูงขึ้นของ 0.8659, RMSEP ล่างของ 4.587 มก. / 1​​00 กรัมพร้อมกับเพิ่มรูปแบบการสอบเทียบการรับรู้ความสามารถ นอกจากนี้ระดับการคาดการณ์ที่เพิ่มขึ้นกับรูเปียห์ของ 0.8819 และ 4.3137 RMSEP ของมก. / 1​​00 กรัมเมื่อข้อมูลเทคนิคการฟิวชั่นได้รับการปรับปรุงโดยใช้การวิเคราะห์ความสัมพันธ์เพียร์สันและตัวแปรข้อมูลที่ไม่มีความถูกถอดออกจากแต่ละชุดข้อมูลที่ระดับสถิติอย่างมีนัยสำคัญ ขั้นตอนนี้ลดลงตัวแปรข้อมูล แต่ไม่ข้อมูลเดิม ดังนั้นผลที่ขอแนะนำฟิวชั่นเซ็นเซอร์หลายและเทคนิค MLF ดีขึ้นสำหรับการทำงานรูปแบบที่ดีกว่าในการประเมินความสดใหม่ของเนื้อไก่

ผลลัพธ์ (ไทย) 3:

การวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอฟิวชั่นแบบกลิ่นเซ็นเซอร์และเซ็นเซอร์แสงขั้นสูงเพื่อประเมินพื้นฐานไนโตรเจนระเหยได้ทั้งหมด ( tvb-n ) เนื้อหาในเนื้อไก่ ที่นี่กลิ่นหรือข้อมูลตัวแปรที่ได้จากกลิ่นกลิ่นเช่นเซ็นเซอร์และเซ็นเซอร์ 7.4 สเปกตรัมรวมทั้งเนื้อแปรข้อมูลจากเซ็นเซอร์แสง ( HSI ) ผสมกัน สำหรับข้อมูลเพิ่มเติม 36 กลิ่นได้ผ่านทางตัวแปรข้อมูลที่เป็นนามธรรมในระดับ ( ล่า ) ก็มา 30 เนื้อคุณลักษณะตัวแปรที่ได้จากกลาง / ระดับกลางข้อมูลนามธรรม ( ILA ) รวม 66 ตัวแปรข้อมูล . วิธีการนี้ของฟิวชั่นข้อมูลหลายระดับ ( mlf ) ผลิตขึ้น pca-bpann ผลการทำนายมากกว่าของแต่ละระบบได้ ด้วยความสูงของ 0.8659 RP ลด rmsep ของ 4.587 มิลลิกรัม / 100 กรัม พร้อมกับเพิ่มการสอบเทียบแบบจำลองประสิทธิภาพ . นอกจากนี้ ระดับการคาดการณ์เพิ่มขึ้นกับ RP ของ 0.8819 rmsep และของ 4.3137 มิลลิกรัมต่อ 100 กรัม เมื่อรวมข้อมูลเทคนิคการปรับปรุงโดยการใช้ค่าสัมประสิทธิ์สหสัมพันธ์ของเพียร์สันและการวิเคราะห์ตัวแปรข้อมูล uncorrelated ถูกถอดออกจากแต่ละข้อมูลที่ระดับ . 05 ขั้นตอนนี้ การลดข้อมูลตัวแปรแต่ไม่ใช่ต้นฉบับข้อมูล ดังนั้น การขอส่งเสริมและปรับปรุง mlf ฟิวชั่นเซ็นเซอร์หลายเทคนิคแบบจำลองสมรรถนะดีกว่าที่จะประเมินความสด ไก่เนื้อน่ะ