A prediction method of total colifo

A prediction method of total coliform bacteria based on image identification technology in foods was proposed.
In order to get the close to real-time detection results, this method used the total count of bacteria
and bacilli to predict the total coliform bacteria counts because coliforms are difficult to extract the feature
parameters to be recognized and enumerated, while total count of bacteria and bacilli could be enumerated
by using image identification technology. An optimal artificial neural network (ANN) model was
presented for prediction of total coliform bacteria counts. Several configurations were evaluated while
developing the optimal ANN model. The optimal ANN model consisted two hidden layers with five neurons
in each hidden layer. Results showed that predicted total coliform bacteria counts were positively
correlated to the experimental total coliform bacteria counts obtained by traditional multiple-tube fermentation
technique (correlation coefficient, R2 = 0.9716), which predicted accuracy was much better
than other predicted models (the correlation coefficient of linear regression model, second-order polynomial
regression model and polynomial trend surface analysis was 39.81%, 67.17% and 78.85%,
respectively).

ผลลัพธ์ (ไทย) 1:

วิธีการคาดเดาของโคลิฟอร์มแบคทีเรียตามเทคโนโลยีรหัสภาพในอาหารทั้งหมดถูกนำเสนอเพื่อให้ปิดการผลลัพธ์การตรวจสอบแบบเรียลไทม์ ใช้วิธีการนี้จำนวนแบคทีเรียทั้งหมดและ bacilli ทำนายโคลิฟอร์มแบคทีเรียรวมนับ เพราะกำจัดได้ยากที่จะแยกลักษณะการทำงานพารามิเตอร์การจดจำ และ ระบุ ในขณะที่สามารถระบุจำนวนรวมของแบคทีเรียและ bacilliโดยใช้เทคโนโลยีรหัสภาพ มีแบบจำลองประสิทธิภาพโครงข่ายประสาทเทียม (แอน)นำเสนอการทำนายของจำนวนโคลิฟอร์มแบคทีเรียทั้งหมด มีประเมินการตั้งค่าคอนฟิกหลายขณะพัฒนาแบบแอนเหมาะสมที่สุด รุ่นแอนเหมาะสมประกอบด้วยสองชั้นซ่อนกับ neurons ห้าในแต่ละชั้นซ่อน แสดงให้เห็นผลลัพธ์ที่คาดว่า มีจำนวนโคลิฟอร์มแบคทีเรียรวมบวกในการนับจำนวนแบคทีเรียโคลิฟอร์มทั้งหมดทดลองที่รับ โดยหมักหลายหลอดแบบ correlatedเทคนิค (สัมประสิทธิ์สหสัมพันธ์ R2 = 0.9716), ซึ่งคาดว่า ความแม่นยำดีกว่ามากแต่คาดว่า รุ่น (ของสัมประสิทธิ์สหสัมพันธ์ของแบบจำลองถดถอยเชิงเส้น ลำดับสองพหุนามแนวโน้มรูปแบบ และโพลิโนเมียผิวโน้มถูก 39.81%, 67.17% และ 78.85%ตามลำดับ)

ผลลัพธ์ (ไทย) 2:

วิธีการคาดการณ์ของโคลิฟอร์มแบคทีเรียรวมอยู่บนพื้นฐานของเทคโนโลยีการระบุภาพในอาหารถูกเสนอ. เพื่อที่จะได้ใกล้ชิดกับผลการตรวจสอบเวลาจริงวิธีนี้ใช้นับรวมของแบคทีเรียและแบคทีเรียที่จะคาดการณ์นับโคลิฟอร์มแบคทีเรียรวมเพราะโคลิฟอร์มมียากที่จะดึงคุณลักษณะพารามิเตอร์ได้รับการยอมรับและการแจกแจงในขณะที่นับรวมของแบคทีเรียและแบคทีเรียอาจจะมีการแจกแจงโดยใช้เทคโนโลยีการระบุภาพ โครงข่ายประสาทเทียมที่ดีที่สุด (ANN) รูปแบบที่ถูกนำเสนอเพื่อการคาดการณ์ของการนับรวมโคลิฟอร์มแบคทีเรีย การกำหนดค่าต่างๆได้รับการประเมินในขณะที่การพัฒนารูปแบบที่ดีที่สุด ANN รูปแบบที่ดีที่สุด ANN ประกอบด้วยสองชั้นที่ซ่อนอยู่กับห้าเซลล์ประสาทในแต่ละชั้นที่ซ่อน ผลการศึกษาพบว่าการคาดการณ์โคลิฟอร์มแบคทีเรียรวมนับได้รับในเชิงบวกที่มีลักษณะร่วมกับโคลิฟอร์มแบคทีเรียรวมการทดลองนับที่ได้รับจากหลายหลอดหมักแบบดั้งเดิมเทคนิค(ค่าสัมประสิทธิ์สหสัมพันธ์, R2 = 0.9716) ซึ่งคาดการณ์ความถูกต้องเป็นที่ดีมากขึ้นกว่ารุ่นที่คาดการณ์อื่น ๆ (ค่าสัมประสิทธิ์สหสัมพันธ์ของ รูปแบบการถดถอยเชิงเส้นที่สองสั่งพหุนามแบบการถดถอยและการวิเคราะห์พื้นผิวแนวโน้มพหุนามเป็น39.81%, 67.17% และ 78.85% ตามลำดับ)

ผลลัพธ์ (ไทย) 3:

วิธีพยากรณ์ของโคลิฟอร์มแบคทีเรียทั้งหมดในอาหารที่ใช้เทคโนโลยีภาพการเสนอ .
เพื่อที่จะได้รับผลการตรวจสอบแบบเรียลไทม์ ปิด วิธีนี้ใช้นับแบคทีเรียทั้งหมดและลบทั้งหมด
เชื้อโคลิฟอร์มแบคทีเรีย เพราะนับ Coliforms ยากที่จะสกัดคุณลักษณะพารามิเตอร์ที่จะยอมรับและแจกแจง
,ในขณะที่นับรวมของแบคทีเรียและเชื้อสามารถแจกแจง
โดยใช้เทคโนโลยีการระบุภาพ ที่เหมาะสมในการใช้โครงข่ายประสาทเทียม ( ANN ) แบบจำลอง
นำเสนอพยากรณ์จำนวนโคลิฟอร์มแบคทีเรียนับ การกำหนดค่าหลาย ได้แก่ การพัฒนาที่เหมาะสมในขณะที่
Ann รุ่น เหมาะสม แอน ประกอบด้วย 2 ชั้นซ่อนกับห้าเซลล์ประสาท
ในแต่ละชั้นซ่อน .ผลที่คาดการณ์จำนวนโคลิฟอร์มแบคทีเรียนับมีความสัมพันธ์กับจำนวนรวม
โคลิฟอร์มแบคทีเรียนับได้โดยเทคนิคการหมัก
หลายหลอดแบบดั้งเดิม ( Correlation Coefficient , R2 = 0.9716 ) ซึ่งคาดการณ์ความถูกต้องได้ดีกว่ารุ่นอื่น ๆทำนาย
( สัมประสิทธิ์สหสัมพันธ์แบบถดถอยเชิงเส้นพหุนาม
อันดับที่สองการวิเคราะห์การถดถอยและการวิเคราะห์แนวโน้มพื้นผิวพหุนามคือ 39.81 % , 67.17 % และ 78.85 %
2 )