Stabilność lodów podczas topnienia stanowi kluczowy czynnik wpływający na akceptację produktu przez konsumentów oraz na jego jakość. Ponieważ do lodów powszechnie dodaje się stabilizatory w celu poprawy tekstury, struktury i spowolnienia topnienia, niniejsze opracowanie analizuje ich wpływ.
Raport przedstawia wyniki badań nad oddziaływaniem gumy karobowej (locust bean gum), gumy guar, maltodekstryny oraz karagenu na przebieg procesu topnienia domowych lodów.
Głównym celem badania było określenie, w jaki sposób te dodatki wpływają na odporność na topnienie oraz zidentyfikowanie receptury bardziej opłacalnej ekonomicznie.
Próbki lodów z każdym z wymienionych dodatków przygotowano i poddano testom topnienia w warunkach kontrolowanych. Zastosowano nagrania poklatkowe, aby uchwycić i przeanalizować postęp topnienia w czasie. Do przetwarzania i analizy danych użyto języka Python oraz biblioteki OpenCV.
Zaobserwowano, że wszystkie próbki zachowały strukturę przypominającą pianę nawet po roztopieniu, co sugeruje, że stabilizatory przyczyniły się do utworzenia stabilnej matrycy pęcherzyków powietrza. Ponadto, gdy stopione próbki ponownie zamrożono, a następnie stopiono po raz drugi, wykazywały one większą wytrzymałość, co wskazuje na poprawioną odporność strukturalną lodów.
Analiza porównawcza różnych stabilizatorów ujawniła zróżnicowaną skuteczność ich działania — niektóre z nich zapewniały silniejszą odporność na topnienie oraz lepsze wsparcie strukturalne niż pozostałe.
Ogólnie rzecz biorąc, uzyskane wyniki dostarczają wiedzy na temat funkcjonalnej roli powszechnie stosowanych dodatków spożywczych w formulacji lodów. Poprzez ocenę zarówno skuteczności działania, jak i kosztów, badanie to pokazuje potencjał opracowywania receptur, które łączą trwałość z efektywnością ekonomiczną, przyczyniając się do praktycznych zastosowań zarówno w produkcji rzemieślniczej, jak i przemysłowej.
Niniejsze badanie analizuje zachowanie lodów podczas topnienia w zależności od zastosowanych składników stabilizujących oraz warunków temperaturowych, wykorzystując techniki komputerowego rozpoznawania obrazu (computer vision) do obiektywnej analizy wyników.
Głównym celem było określenie, w jaki sposób różne dodatki — takie jak guma guar, karagen, guma karobowa (locust bean gum), maltodekstryna oraz składniki bazowe — wpływają na stabilność strukturalną i odporność na topnienie.
Próbki lodów zostały przygotowane z kontrolowanym składem, a następnie poddane testom topnienia w temperaturach otoczenia w zakresie od 25°C do 35°C. Do monitorowania procesu topnienia wykorzystano splotową sieć neuronową (Convolutional Neural Network, CNN), trenowaną do analizy przebiegu topnienia w czasie na podstawie nagrań poklatkowych oraz przetwarzania danych w języku Python.
Parametry takie jak powierzchnia stopionej części, prędkość spływu kropel oraz postęp topnienia w czasie zostały wyznaczone za pomocą detekcji konturów i pomiarów pikselowych.
Wyniki wykazały, że zastosowane stabilizatory mają istotny wpływ na przebieg topnienia, przy czym formulacje zawierające gumy polisacharydowe (takie jak guma guar i karobowa) wykazały znacznie wyższą odporność termiczną.
Zastosowane podejście oparte na analizie obrazu zapewniło spójną, rzeczywistoczasową i nieinwazyjną obserwację procesu topnienia, umożliwiając precyzyjne porównanie poszczególnych próbek.
Otrzymane wyniki oferują praktyczną metodę optymalizacji receptur lodów w celu uzyskania lepszej wydajności w wysokich temperaturach oraz wydłużenia trwałości produktów podczas przechowywania i transportu.
Poniższa część przedstawia przegląd najnowszych badań i ustaleń dotyczących procesów topnienia lodów oraz wykorzystania modeli uczenia maszynowego wspomagających analizę zjawiska opisanego w niniejszym projekcie.
Jedno z najnowszych badań podkreśla znaczenie składu tłuszczowego, wspomaganego działaniem emulgatorów oraz charakterystyką procesu krystalizacji tłuszczu, które w dużym stopniu determinują odporność lodów na topnienie.
Jednym z głównych czynników decydujących o miękkiej, gładkiej teksturze oraz odporności na topnienie lodów jest obecność częściowo stopionych globulek tłuszczu, które podczas krystalizacji tworzą sieć strukturalną. Sieć ta odgrywa kluczową rolę w utrzymywaniu kształtu lodów i zapewnia pożądane właściwości topnienia [1].
Z uwagi na istotną rolę globulek tłuszczu w procesie produkcji lodów, konieczne jest dokładne zrozumienie mechanizmów ich tworzenia.
Podczas procesu napowietrzania (whipping) powietrze zostaje uwięzione i wbudowane w zagregowane globulki tłuszczu, tworząc silną sieć przestrzenną, która stabilizuje się w miarę kontynuowania ubijania.
Dodatkowo, w trakcie krystalizacji tłuszczu dochodzi do pękania błon międzyfazowych otaczających globulki tłuszczowe, co prowadzi do ich agregacji. Tak utworzone skupiska odgrywają kluczową rolę w równoważeniu interfejsu powietrze–woda, co sprzyja utrzymaniu stabilnej struktury produktu [1–2].
Struktura tłuszczu oraz lepkość mieszanki stanowią główne czynniki wpływające na kremowość oraz odporność na topnienie [4].
W niniejszym badaniu głównym źródłem tłuszczu są klasyczne składniki używane do produkcji lodów, takie jak żółtko jaj, mleko i śmietanka, które dostarczają wysokiego udziału tłuszczu krystalicznego, tworzącego podstawową strukturę lodów wykorzystywaną w tym projekcie.
Oprócz podstawowych składników, wielu producentów dodaje do lodów różnego rodzaju dodatki i substancje aromatyzujące, aby poprawić ich smak oraz wydłużyć trwałość produktu. Analiza szerokiego wachlarza możliwych składników i ich kombinacji może być niezwykle interesująca, ponieważ pozwala tworzyć receptury o odmiennych właściwościach sensorycznych i fizycznych.
Na przykład, źródła tłuszczu w lodach można modyfikować, poszukując alternatyw dla tradycyjnej śmietanki mlecznej. W przypadku lodów wegańskich możliwe jest wykorzystanie oliwy z oliwek extra virgin, co pozwala uzyskać tzw. lody śródziemnomorskie [10].
Różnorodność dostępnych tłuszczów pokazuje, że ich substytucja wpływa zarówno na wartość odżywczą, jak i właściwości topnienia produktu.
Stabilizatory i emulgatory dodatkowo wzmacniają stabilność strukturalną lodów, umożliwiając tworzenie optymalnych mieszanek poprawiających lepkość, konsystencję oraz odporność na topnienie [20].
W ostatnich latach wzrosło również zainteresowanie stosowaniem funkcjonalnych i probiotycznych składników — na przykład mleko klaczy w jogurtowych lodach [3] czy bifidobakterie z prebiotykami [8]. Wprowadzają one dodatkową złożoność strukturalną, ponieważ zmieniają właściwości fizykochemiczne produktu, wpływając także na jego zdolność do utrzymania kształtu podczas topnienia. Zainspirowani lodami jogurtowymi, autorzy projektu włączyli do swoich badań zestaw porównawczy zawierający jogurt.
Białka i hydrokoloidy również odgrywają kluczową rolę w kształtowaniu tekstury lodów oraz ich odporności na topnienie, stabilizując pęcherzyki powietrza i fazy wodne w zamrożonej matrycy.
Badania nad alternatywnymi źródłami białka, np. z mąki Phaseolus vulgaris (fasola zwykła), wykazały poprawę właściwości pianotwórczych i stabilności topnienia w recepturach lodowych zawierających ten składnik [11].
Do grupy najczęściej stosowanych hydrokoloidów należą guma guar, karagen oraz guma karobowa (locust bean gum) — powszechnie używane w celu kontrolowania lepkości oraz ograniczania rekryystalizacji lodu, co zapobiega szybkiemu topnieniu podczas przechowywania i spożycia.
Badania [9] wykazały, że interakcje między białkami a polisacharydami wzmacniają stabilność emulsji, natomiast optymalne mieszanki stabilizatorów poprawiają napowietrzenie (overrun) i odporność na topnienie [20].
Wszystkie te obserwacje potwierdzają, że stabilizatory i białka nie tylko wzmacniają strukturę fizyczną lodów, ale także wpływają na postrzeganie produktu przez konsumenta — spowalniając topnienie, utrzymując kremową konsystencję oraz wydłużając trwałość produktu.
Uczenie maszynowe (ang. Machine Learning, ML) jest gałęzią sztucznej inteligencji, która umożliwia systemom uczenie się na podstawie danych i podejmowanie decyzji bez potrzeby bezpośredniego programowania.
Proces topnienia lodów zależy od wielu czynników fizycznych, takich jak przewodnictwo cieplne, rekryystalizacja lodu oraz przemiany fazowe zachodzące podczas przechowywania i spożycia. Niektóre badania podkreślają znaczenie zjawisk fizycznych towarzyszących topnieniu lodów, łącząc zmiany w składzie z reakcjami termicznymi produktu [7].
Nowoczesne techniki analizy, takie jak kalorymetria, pomiary reologiczne czy obrazowanie mikroskopowe, znacząco poszerzyły wiedzę na temat dynamicznego zachowania lodów w różnych zakresach temperatur [13,15].
Wraz z rozwojem sztucznej inteligencji pojawiły się nowe możliwości — modelowanie predykcyjne i analiza obrazustały się obiecującymi narzędziami, pozwalającymi na szybszą i dokładniejszą ocenę właściwości lodów w porównaniu z tradycyjnymi metodami ręcznymi.
Takie podejścia oparte na sztucznej inteligencji można z powodzeniem stosować w naukach o żywności, umożliwiając zautomatyzowane monitorowanie procesu topnienia lodów w zależności od rodzaju składników, warunków przechowywania i zastosowanych stabilizatorów.
Poza aspektami technologicznymi i sensorycznymi, ekonomia produkcji lodów odgrywa kluczową rolę w doborze składników oraz ocenie opłacalności produktu.
Dodatki spożywcze i stabilizatory, takie jak guma guar, karagen oraz guma karobowa (locust bean gum), są powszechnie stosowane i dobrze akceptowane przez rynek. Stabilizatory te nie tylko pomagają w kontroli procesu topnienia, lecz także stanowią bardziej ekonomiczne rozwiązanie w porównaniu z kosztowniejszymi dodatkami tłuszczowymi lub białkowymi [20].
Alternatywne źródła tłuszczu, takie jak zastąpienie śmietanki mlecznej oliwą z oliwek extra virgin, zostały przebadane pod kątem ich wartości odżywczych i potencjalnych korzyści zdrowotnych. Produkty te cieszą się większym zainteresowaniem wśród konsumentów zamożniejszych, skłonnych do zakupu zdrowszych alternatyw. Jednakże wysokie koszty surowców pozostają wyzwaniem przy zastosowaniach na dużą skalę, a bilans kosztów i zysków może okazać się niekorzystny [10].
Podobnie, wykorzystanie nietypowych źródeł mleka, takich jak mleko klaczy [3] czy kozie mleko, a także dodatek kultur funkcjonalnych (np. probiotyków [8]) lub nietypowych owoców, takich jak pitaja (dragon fruit) [22], może zwiększyć wartość odżywczą i atrakcyjność rynkową produktu. Jednak wprowadzenie takich składników wiąże się również z wyższymi kosztami surowców, transportu i większą złożonością procesu produkcyjnego.
Dlatego kluczowym wyzwaniem w nowoczesnym, zrównoważonym wytwarzaniu lodów jest zachowanie równowagi między kosztami a oczekiwaniami konsumentów w zakresie zdrowia, funkcjonalności, smaku, tekstury i stabilności topnienia. Jest to szczególnie istotne w warunkach rosnącej konkurencji na rynku oraz zmiennych cen surowców.
Aby w pełni zrozumieć sposób, w jaki topnieją lody, konieczne są długotrwałe obserwacje, których przeprowadzenie nie jest możliwe wyłącznie za pomocą ludzkiego oka.
Dlatego wraz z rozwojem modeli sztucznej inteligencji (AI), o wysokiej wydajności przetwarzania i analizy obrazu, technologia ta stała się najbardziej odpowiednim narzędziem do tego typu badań.
Coraz powszechniejsze wykorzystanie sztucznej inteligencji [23] oraz systemów czujników w inżynierii i zastosowaniach biomedycznych pokazuje, że AI ma duży potencjał zastosowania również w analizie żywności, w tym w badaniach nad topnieniem lodów [24].
Najnowsze prace badawcze podkreślają znaczenie rozwoju modeli AI do klasyfikacji obrazów, co ma bezpośrednie zastosowanie przy użyciu technologii widzenia komputerowego (computer vision) do monitorowania wzorców topnienia.
Podobnie, badania nad miękkimi czujnikami opartymi na sztucznej inteligencji stosowanymi w układach płynów nienewtonowskich wykazały, że integracja sensorów z uczeniem maszynowym pozwala uchwycić złożone zjawiska przepływu [25]. Podejście to można z powodzeniem dostosować do analizy właściwości reologicznych lodów w trakcie topnienia.
Innowacje w technologii czujników — takie jak niskokosztowe czujniki pojemnościowe do monitorowania pęcherzyków powietrza w cieczach [27] — wskazują również na możliwość prowadzenia pomiarów w czasie rzeczywistym, pozwalających śledzić zmiany strukturalne w mrożonych deserach.
Dalszy postęp w dziedzinie uczenia transferowego (transfer learning) oraz głębokich sieci neuronowych (deep neural networks) wykorzystywanych do detekcji sygnałów [28] pokazuje, że solidne struktury AI mogą znacznie zwiększyć wiarygodność prognoz między próbkami, wspierając rozwój modeli analizy procesu topnienia lodów.
Kolejnym istotnym aspektem jest implementacja systemów zarządzania energią i ciepłem [29–30], które mogą pomóc w precyzyjnym monitorowaniu i kontrolowaniu procesu topnienia lodów w czasie.
Niniejszy projekt badawczy ma na celu analizę zachowania lodów podczas topnienia w zależności od różnych formulacji składnikowych, poprzez połączenie podejścia eksperymentalnego i obliczeniowego.
Do receptur zostaną dodane różne stabilizatory i składniki, aby ocenić ich wpływ na stabilność fizyczną oraz odporność na topnienie.
Proces topnienia będzie monitorowany w czasie rzeczywistym z wykorzystaniem analizy obrazu, natomiast modele sztucznej inteligencji zostaną użyte do identyfikacji charakterystycznych wzorców topnienia dla różnych formulacji.
Oczekuje się, że badanie to dostarczy nowych informacji na temat interakcji między składnikami a stabilnością lodów, a także przyczyni się do opracowania narzędzi opartych na AI, które mogą być wykorzystywane w ocenie jakości produktów spożywczych.
Zestawienie materiałów obejmuje wszystkie składniki użyte do przygotowania lodów, w tym również próbki odrzucone, które nie zostały poddane analizie.
Tabela 1. Zestawienie materiałów użytych do produkcji lodów
| Nr | Opis składnika | Ilość użyta | Cena jednostkowa | Całkowity koszt użytej ilości |
|---|---|---|---|---|
| 1 | Mleko pełne Meiji | 250 ml | 6,70 $/ 2 l | 0,84 $ |
| 2 | Cukier trzcinowy | 360 g | 4,89 $/ 3 kg | 0,59 $ |
| 3 | Śmietanka do ubijania | 600 ml | 4,35 $/ 200 ml | 13,05 $ |
| 4 | Żółtka jaj | 9 szt. | 6,65 $/ 30 szt. | 2,00 $ |
| 5 | Jogurt truskawkowy z płatkami owsianymi | 150 g | 12,90 $/ 2000 g | 0,97 $ |
| 6 | Guma guar | ~5 g | 0,93 $/ 100 g | 0,05 $ |
| 7 | Karagen | ~5 g | 2,16 $/ 50 g | 0,22 $ |
| 8 | Guma karobowa (Locust Bean Gum) | ~2 g | 1,60 $/ 20 g | 0,16 $ |
| 9 | Maltodekstryna | ~2 g | 0,52 $/ 20 g | 0,05 $ |
Na podstawie powyższej tabeli można zauważyć, że poza kluczowymi składnikami — takimi jak mleko, śmietanka, cukier i żółtka — dobór dodatków stabilizujących można w dużej mierze uzależnić od ich ceny jednostkowej.
Guma guar i maltodekstryna okazały się znacznie tańszymi rozwiązaniami w porównaniu z karagenem i gumą karobową.
Zarejestrowane wyniki analizy wykazały, że dodanie dwóch wybranych dodatków (np. gumy guar i maltodekstryny) pozwala uzyskać stabilną i wytrzymałą strukturę lodów, utrzymującą się nawet po częściowym roztopieniu.
W związku z tym spośród wszystkich czterech badanych dodatków, połączenie gumy guar i maltodekstryny okazało się najtańszą i jednocześnie skuteczną kombinacją, która spowalnia proces topnienia lodów i pomaga utrzymać ich strukturę.
Rozbij 3 jajka i oddziel żółtka od białek.
Dodaj 60 g cukru do żółtek i mieszaj, aż masa stanie się nieco jaśniejsza.
Podgrzej 60 g mleka w rondelku, aż na brzegach pojawią się małe pęcherzyki.
Powoli wlewaj gorące mleko do masy jajecznej, ciągle mieszając.
Przelej całość z powrotem do rondelka i delikatnie podgrzewaj, cały czas mieszając, aż masa lekko zgęstnieje.
Zdejmij z ognia i odstaw do ostygnięcia.
W czystej misce wlej 250 g śmietanki i dodaj 10 g cukru.
Ubij śmietankę, aż powstaną sztywne szczyty.
Ostrożnie wlej ostudzoną masę jajeczną do ubitej śmietanki, mieszając, aż uzyskasz gładką i jednolitą konsystencję.
Odmierz małe porcje bazowej mieszanki i do każdej dodaj różne dodatki lub ich kombinacje, zgodnie z planem badawczym.
Wlej mieszanki do foremek i zamroź.
Rozbij 3 jajka i oddziel żółtka od białek.
Dodaj 50 g cukru do żółtek i mieszaj, aż masa stanie się jaśniejsza.
Podgrzej 80 g mleka w rondelku, aż pojawią się pęcherzyki na brzegach.
Powoli wlewaj gorące mleko do masy jajecznej, ciągle mieszając.
Przelej całość z powrotem do rondelka i delikatnie podgrzewaj, mieszając, aż masa lekko zgęstnieje.
Zdejmij z ognia i odstaw do ostygnięcia.
W czystej misce wlej 300 g śmietanki i dodaj 45 g cukru.
Ubij śmietankę, aż powstaną sztywne szczyty.
Delikatnie wlej ostudzoną masę jajeczną oraz 150 g jogurtu truskawkowego z płatkami owsianymi, mieszając do uzyskania gładkiej konsystencji.
Odmierz małe próbki mieszanki i dodaj różne dodatki stabilizujące lub ich kombinacje.
Wlej mieszanki do foremek i zamroź.
| Składnik | Zestaw 1 – Lody bazowe | Zestaw 2 – Lody jogurtowe |
|---|---|---|
| Mleko | 60 g | 80 g |
| Cukier | 70 g | 95 g |
| Śmietanka | 250 g | 300 g |
| Żółtka jaj | 3 szt. | 3 szt. |
| Jogurt truskawkowy z płatkami owsianymi | – | 150 g |
Składniki zostały dobrane zgodnie z określonymi proporcjami.
W przypadku lodów jogurtowych, dodatek jogurtu jako składnika smakowego rozcieńcza zawartość tłuszczu, dlatego do receptury dodano więcej śmietanki, mleka i cukru, aby utrzymać odpowiednią strukturę produktu.
Zastosowany jogurt truskawkowy z płatkami owsianymi został dobrany celowo — jogurt nadaje lodom naturalny smak truskawkowy, natomiast płatki owsiane pomagają wzmocnić strukturę i poprawić stabilność całej masy podczas topnienia.
Aby ocenić wpływ różnych stabilizatorów i dodatków na odporność lodów na topnienie, przygotowano serię kontrolowanych formulacji.
Zaprojektowano dwa zestawy próbek do analizy danych:
Zestaw 1 (Set 1) – lody śmietankowe (bez jogurtu),
Zestaw 2 (Set 2) – lody jogurtowe.
Każdy zestaw składał się z dziewięciu próbek, różniących się kombinacjami czterech dodatków: karagenu, gumy guar, gumy karobowej (locust bean gum) oraz maltodekstryny.
Dodatki te wybrano ze względu na ich udokumentowaną skuteczność w:
zwiększaniu lepkości,
stabilizowaniu emulsji,
ograniczaniu rekryystalizacji lodu w mrożonych deserach.
| Próbka | Zestaw 1 (lody śmietankowe) | Zestaw 2 (lody jogurtowe) | Karagen (0,01–0,3% wagowo) | Guma guar (0,1–0,3% wagowo) | Guma karobowa (0,1–0,3% wagowo) | Maltodekstryna (2–10% wagowo) |
|---|---|---|---|---|---|---|
| 1 | – | – | – | – | – | – |
| 2 | ✓ | ✓ | – | – | – | – |
| 3 | – | – | ✓ | ✓ | – | – |
| 4 | ✓ | ✓ | ✓ | ✓ | – | – |
| 5 | ✓ | ✓ | – | – | ✓ | ✓ |
| 6 | ✓ | ✓ | – | – | – | ✓ |
| 7 | – | – | ✓ | ✓ | ✓ | – |
| 8 | – | – | ✓ | ✓ | – | ✓ |
| 9 | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Aby zminimalizować koszty materiałowe i uprościć przebieg eksperymentu, większość formulacji ograniczono do maksymalnie dwóch dodatków w jednej próbce.
Wyjątek stanowiła próbka nr 9, która zawierała wszystkie cztery stabilizatory jednocześnie, stanowiąc punkt odniesienia (próbę wzorcową) dla pełnego efektu stabilizacji.
Aby zapewnić spójność i dokładność danych uzyskanych z próbek lodów, każda formulacja — zarówno bazowa, jak i jogurtowa — została standaryzowana pod względem sposobu przygotowania, masy próbki oraz warunków przechowywania.
Wszystkie próbki umieszczano w identycznych formach i przechowywano w tej samej temperaturze zamrażarki, aby uniknąć różnic wynikających z warunków środowiskowych.
Podczas eksperymentów topnienia każda próbka była obserwowana i rejestrowana przez 30 minut.
Dodatkowo wykonano zdjęcia przedstawiające przebieg topnienia, które posłużyły jako materiał do analizy wizualnej.
Uzyskane dane surowe zostały następnie uporządkowane i zapisane w ustrukturyzowanej formie w środowisku programistycznym PyCharm.
Aby zminimalizować ryzyko błędów ludzkich i zapewnić porównywalność wyników, wszystkie pomiary prowadzono w tym samym przedziale czasowym, co pozwoliło uniknąć wpływu zmian temperatury otoczenia na proces topnienia.
W projekcie wykorzystano darmowe i otwartoźródłowe oprogramowanie PyCharm do opracowania modelu opartego na uczeniu maszynowym, który miał na celu automatyczne wyodrębnianie klatek z nagrań poklatkowych (timelapse) oraz klasyfikację obrazów przedstawiających próbki lodów w różnych stanach:
stałym,
częściowo roztopionym,
całkowicie roztopionym.
Implementacja algorytmu została zainspirowana wcześniejszymi badaniami naukowymi prowadzonymi w tej dziedzinie.
Na podstawie dostępnej literatury ustalono, że proste szkolenie modelu CNN (Convolutional Neural Network) jest wykonalne i pozwala na wydajne przetwarzanie dużych zbiorów danych zarejestrowanych podczas eksperymentów.
Dzięki uporządkowanym danym możliwe było precyzyjne określenie czasu topnienia każdej próbki, a także wizualne porównanie ich zachowania w różnych formulacjach.
W niniejszym badaniu zastosowano język Python oraz konwolucyjną sieć neuronową (CNN) do klasyfikacji stanu fizycznego lodów w zależności od zastosowanych formulacji składników.
Zbiór danych — przygotowany z próbek lodów bazowych (śmietankowych) i jogurtowych, zawierających różne kombinacje stabilizatorów — został podzielony na dwa podzbiory, które posłużyły do treningu modelu CNN.
Zbiór treningowy obejmował połowę danych dotyczących lodów śmietankowych, które zostały przypisane do trzech kategorii odpowiadających stanom fizycznym:
stały (solid),
częściowo roztopiony (partial),
roztopiony (melted).
Na podstawie tych danych model CNN został nauczony rozpoznawania i klasyfikacji obrazów przedstawiających próbki w różnych stanach skupienia, co umożliwiło następnie automatyczne przetwarzanie pozostałych danych z obu zestawów próbek.
Na tym etapie wiele procedur i eksperymentów miało charakter wstępny i nie charakteryzowało się jeszcze pełną precyzją. Początkowa faza projektu była pełna problemów technicznych.
Z powodu niskiej zawartości globulek tłuszczu, woda nie łączyła się prawidłowo z pozostałymi składnikami. Dodatkowo, brak miksera lub maszyny do lodów sprawił, że mieszanina nie była odpowiednio napowietrzona ani wymieszana, co — jak widać na załączonym zdjęciu — prowadziło do rozdzielania się warstw podczas zamrażania.
Kolejnym problemem był zbyt twardy materiał formy, utrudniający wyjęcie próbek, a same próbki okazały się zbyt duże, co wydłużało czas topnienia — nawet do jednej godziny w przypadku pełnego roztopienia.
Podczas rejestracji procesu topnienia występowały również problemy techniczne z kamerą — nagrywanie zatrzymywało się co 20 minut z nieznanych przyczyn, co wymuszało wielokrotne rejestrowanie tego samego eksperymentu.
Dodatkowo, przechowywanie nagrań wideo stało się wyzwaniem — pliki zajmowały znaczną ilość miejsca zarówno w pamięci kamery, jak i komputera badacza.
W związku z tym postanowiono, że w dalszych etapach badania nagrania poklatkowe (timelapse) będą wykonywane z mniejszymi ilościami lodów, co skróci czas topnienia, zredukuje zapotrzebowanie na pamięć oraz ułatwi analizę danych.
Ze względu na ograniczenia sprzętowe kamery, nagrania procesu topnienia były wykonywane w trybie poklatkowym (timelapse), aby oszczędzić miejsce w pamięci urządzenia.
Każde nagranie trwało 30 minut, przy szybkości 3 klatek na sekundę, co po kompresji dawało około 20 sekund materiału wideo.
Taki sposób rejestracji powodował jednak, że liczba dostępnych klatek (próbek danych) do analizy była ograniczona.
Nawet przy zastosowaniu mniejszych form do lodów, proces topnienia okazał się wciąż stosunkowo długi, przez co nagrywanie pełnych 30-minutowych filmów było niepraktyczne.
Dodatkowo przesyłanie dużych plików wideo do dalszej analizy wiązało się z problemami technicznymi i czasochłonnością, co stanowiło istotne ograniczenie w realizacji projektu.
Pomimo dostępności wielu wstępnie wytrenowanych modeli sieci konwolucyjnych (CNN), nie zawsze są one uniwersalne i wystarczająco precyzyjne dla każdego projektu badawczego.
W początkowej fazie ekstrakcji danych obrazy były błędnie sortowane do niewłaściwych folderów, ponieważ model nie potrafił prawidłowo rozpoznać stanu lodów.
Z tego względu konieczne było przeprowadzenie podstawowego treningu modelu CNN.
Proces rozpoczęto od ręcznego przyporządkowania niewielkiej liczby obrazów do właściwych kategorii (jak pokazano na zdjęciu poniżej), co umożliwiło rozpoczęcie efektywnego treningu.
Po przeprowadzeniu wstępnego szkolenia model zaczął prawidłowo rozpoznawać stan stały lodów, jednak miał trudności w rozróżnianiu stanów częściowo roztopionego i całkowicie roztopionego.
Przyczyną był fakt, że próbki zawierające stabilizatory i dodatki wykazywały bardzo trwałą strukturę, przez co różnice wizualne między tymi stanami były minimalne.
W rezultacie, podczas przetwarzania zbioru danych, obrazy częściowo roztopione i roztopione były często klasyfikowane błędnie lub mieszane.
Aby rozwiązać ten problem, konieczne jest:
zwiększenie liczby próbek danych poprzez nagranie większej liczby eksperymentów,
zastosowanie sprzętu o wyższej rozdzielczości i lepszym przybliżeniu (zoomie), co umożliwi dokładniejszą analizę zmian strukturalnych w trakcie topnienia.
Kolejnym ograniczeniem był niewielki rozmiar próbek i związana z tym mała ilość dodawanych stabilizatorów.
Ze względu na laboratoryjny charakter eksperymentu, masa każdej próbki wynosiła jedynie około 40 g, co sprawiało, że zalecane proporcje dodatków (0,01–0,3% wagi) były zbyt małe, by dokładnie je odmierzyć.
W efekcie ilość stabilizatorów w poszczególnych próbkach mogła być nieprecyzyjna, co wpływało na wiarygodność wyników.
W przyszłości problem ten można rozwiązać poprzez:
prowadzenie badań na większych próbkach (bardziej reprezentatywnych dla produkcji przemysłowej),
zastosowanie precyzyjnych wag laboratoryjnych lub systemów dozujących, które umożliwią dokładne odmierzanie tak małych ilości dodatków.
Jak wspomniano wcześniej, z nagrań wideo wyodrębniono klatki, a następnie obrazy sklasyfikowano według stanu fizycznego próbek.
Na rysunku 4 przedstawiono profil topnienia. Wynika z niego, że próbki nie wykazują silnej odporności na topnienie(niewiele pozostaje w stanie stałym), ale też nie ulegają całkowitemu rozpadowi natychmiast po rozpoczęciu procesu(nie wszystkie całkowicie się roztapiają).
W praktyce oznacza to, że lody zawierające dodatki stabilizujące zachowują swój kształt i strukturę, jednak różnica między stanem częściowo roztopionym a całkowicie roztopionym jest niewielka, co utrudnia modelowi CNNdokładne rozróżnienie tych etapów.
Na rysunku 5 przedstawiono próbkę lodów całkowicie roztopionych, zawierającą dwa dodatki stabilizujące. Jej wygląd wizualny pozostaje prawie niezmieniony w porównaniu z próbkami bez dodatków, co sugeruje, że stabilizatory utrzymują strukturę powierzchni nawet po roztopieniu.
W przypadku próbek jogurtowych (Set 2), po całkowitym roztopieniu zauważono, że zawierają one więcej fazy płynnej, jednak mimo to masa lodów zachowuje kształt nawet po przechyleniu w pionie, co wskazuje na większą stabilność strukturalną w porównaniu z zestawem bazowym (Set 1).
Próbki po roztopieniu zachowują zwarty kształt, lecz po ustawieniu ich pionowo zaczynają powoli spływać w dół, a struktura ulega stopniowej deformacji.
W obu zestawach zauważono, że próbki z dodatkami wykazują większą zdolność zatrzymywania wody, dzięki czemu powstaje więcej fazy płynnej o lepszej konsystencji, jednak próbki z jogurtem nadal wykazują większą zawartość cieczy niż lody śmietankowe.
Na podstawie wyników przedstawionych na wykresie można zauważyć, że linia zmian stanu próbki ma charakter zygzakowaty.
Zjawisko to wynika z faktu, że model dokonuje klasyfikacji klatka po klatce, a poszczególne ujęcia nie są wystarczająco płynne, co prowadzi do fluktuacji pomiędzy stanami „solid”, „partial” i „melted”.
W idealnym scenariuszu przejście od stanu stałego do częściowo roztopionego i następnie do całkowicie roztopionegopowinno przebiegać płynnie, bez nagłych skoków.
Wykres jednak pokazuje, że próbki częściowo topią się w ciągu pierwszych kilku sekund, po czym w różnych momentach wielokrotnie przechodzą w stan „melted” w trakcie całego pomiaru.
Zjawisko to wynika z błędów analizy modelu — sieć CNN w niektórych przypadkach błędnie interpretuje obraz, uznając, że próbka ponownie przeszła w stan stały lub częściowo stały.
Ze względu na pewną niepewność predykcji modeli CNN, problem ten nie jest łatwy do wyeliminowania w ramach niniejszego projektu.
Na podstawie przedstawionych wykresów można zauważyć wyraźne różnice w tempie topnienia pomiędzy lodami śmietankowymi a jogurtowymi.
Lody śmietankowe (Set 1) topniały znacznie szybciej — przejście od stanu stałego do częściowo roztopionego, a następnie do całkowicie roztopionego następowało w ciągu około 20 minut rzeczywistego czasu.
Natomiast lody jogurtowe (Set 2) wykazywały większą stabilność strukturalną, potrzebując nawet 30 minut, aby całkowicie się roztopić.
Dodatek jogurtu spowalniał proces topnienia na każdym etapie, opóźniając zarówno przejście ze stanu stałego do częściowo roztopionego, jak i z częściowo roztopionego do całkowicie roztopionego.
Należy jednak zaznaczyć, że dokładność pomiarów nie jest pełna, ponieważ struktura lodów jogurtowych była bardziej zwarta i elastyczna, co utrudniało jednoznaczne określenie faktycznego stanu fizycznego próbki.
Na kolejnych wykresach, wraz z dodawaniem większej liczby próbek do zbioru treningowego, zauważono wyraźną poprawę skuteczności modelu CNN.
Oznacza to, że sieć coraz lepiej klasyfikowała próbki lodów do kategorii: solid, partial oraz melted w miarę postępu treningu.
Zwiększenie liczby danych treningowych pozwoliło modelowi uczyć się na podstawie większej różnorodności obrazów, co przełożyło się na lepszą precyzję rozpoznawania i mniejszą liczbę błędów klasyfikacji.
Po zakończeniu treningu modelu, wykonano predykcje obrazów na podstawie nowych nagrań.
Dzięki większej liczbie danych, sieć neuronowa była w stanie prawidłowo przypisać większość obrazów do odpowiedniego stanu, choć niektóre obrazy częściowo roztopionych próbek były wciąż błędnie klasyfikowane jako roztopione.
Jednakże klasyfikacja stanu stałego (solid) była znacznie dokładniejsza niż we wcześniejszych etapach eksperymentu, co potwierdza skuteczność procesu uczenia i poprawę zdolności modelu do rozróżniania stanów fizycznych lodów.
W niniejszej sekcji omówiono wyniki oraz obserwacje uzyskane podczas eksperymentów, a także wskazano ograniczenia badania oraz możliwe kierunki jego ulepszenia.
Wszystkie 18 próbek zostały poddane cyklowi zamrażania, topnienia, ponownego zamrożenia i ponownego topnienia.
Zaobserwowano i zarejestrowano, że Zestaw 1 (lody śmietankowe) zawiera znacznie mniej wody niż Zestaw 2 (lody jogurtowe).
Po pierwszym procesie topnienia próbki z Zestawu 1 utraciły część wilgoci do otoczenia, dzięki czemu podczas drugiego topnienia stały się bardziej zwarte i przyczepne do podłoża, nie tworząc wycieków. Jednocześnie zachowały miękką i napowietrzoną (piankową) teksturę.
Z kolei lody jogurtowe (Zestaw 2), ze względu na wysoką zawartość wody, topniały szybciej, łatwiej spływały i zachowywały teksturę zbliżoną do początkowej.
Z punktu widzenia produkcji, transportu i trwałości konsumenckiej, lody mogą w praktyce ulegać kilkukrotnemu zamrożeniu i rozmrożeniu. W takich przypadkach kluczowe znaczenie ma dobór odpowiedniego opakowania, które zapewni zachowanie kształtu i walorów smakowych produktu.
Dlatego też Zestaw 1 można uznać za bardziej stabilny — jego niższa zawartość wody sprawia, że masa mniej się przemieszcza i deformuje w opakowaniu.
Jednak w przypadku, gdy zawartość wody w jogurcie zostanie wcześniej częściowo usunięta, Zestaw 2 również może stanowić dobrą alternatywę — błonnik owsiany zawarty w jogurcie wzmacnia strukturę oraz dodaje ciekawej tekstury podczas spożywania.
Z punktu widzenia efektywności działania dodatków, wyniki sugerują, że najlepsze rezultaty daje połączenie dwóch stabilizatorów.
Przykładowo, próbka zawierająca 0,4 g karagenu (próbka A) wypadła gorzej pod względem stabilności i tekstury w porównaniu z próbką zawierającą 0,4 g karagenu i 0,4 g maltodekstryny (próbka B).
Próbka B wykazywała niższą zawartość wody, nie wpływała negatywnie na smak oraz tworzyła bardziej stabilną strukturę.
Na podstawie pozostałych zestawów zaobserwowano, że połączenie dwóch dodatków daje lepsze efekty niż użycie jednego lub czterech.
Dodanie wszystkich czterech stabilizatorów jednocześnie powodowało, że tekstura i smak lodów pogarszały się w porównaniu z prostszymi kombinacjami.
Po dokładniejszej analizie różnych zestawień stabilizatorów najlepsze rezultaty uzyskano dla połączenia gumy guar i maltodekstryny — są to składniki tanie, skuteczne, a jednocześnie nadają produktowi dobrą strukturę, kremowość i przyjemny smak.
Choć połączenie karagenu i gumy guar jest najtańsze i zapewnia nieco lepszą odporność na topnienie, to różnica względem pary guma guar + maltodekstryna nie jest znacząca, a ta druga kombinacja daje lepsze właściwości sensoryczne.
W analizie przeprowadzonej w środowisku PyCharm z użyciem modelu CNN stwierdzono, że niewielkie różnice wizualne między stanem częściowo roztopionym a całkowicie roztopionym znacząco utrudniają proces klasyfikacji.
W rezultacie dokładność predykcji była ograniczona, a uzyskane wykresy danych nie były wystarczająco płynne i nie mogą być traktowane jako w pełni wiarygodne źródło analizy.
W celu poprawy jakości wyników wskazane jest:
zwiększenie liczby danych treningowych,
ręczna korekta błędnych klasyfikacji w fazie przygotowania danych,
zastosowanie bardziej wydajnego i czystego kodu źródłowego, umożliwiającego przetwarzanie większej liczby próbek w różnych wariantach receptur.
Niniejszy projekt miał na celu zbadanie zachowania lodów podczas topnienia – zarówno w wersji klasycznej (śmietankowej), jak i jogurtowej – przy zastosowaniu różnych stabilizatorów.
Próbki zostały zebrane i przeanalizowane za pomocą ekstrakcji obrazów oraz ich klasyfikacji przy użyciu modelu konwolucyjnej sieci neuronowej (CNN).
Wyniki badań wykazały, że lody śmietankowe (Zestaw 1) zawierają ogólnie mniej wody i są mniej podatne na wyciekanie po wielokrotnych cyklach zamrażania i rozmrażania, co czyni je bardziej odpowiednimi do produkcji i transportu.
Lody jogurtowe (Zestaw 2) natomiast, mimo że charakteryzują się większą twardością i zwartą strukturą, zawierają więcej wody i po roztopieniu łatwiej spływają, co stwarza problemy z pakowaniem i stabilnością produktu.
Dodatkowo, koszt produkcji Zestawu 1 jest znacznie niższy niż Zestawu 2.
Porównanie różnych kombinacji dodatków stabilizujących wykazało, że zastosowanie dwóch stabilizatorów daje lepsze rezultaty niż stosowanie pojedynczego lub pełnego zestawu czterech dodatków.
W szczególności połączenie gumy guar i maltodekstryny zapewniło najlepszy balans pomiędzy kremowością, strukturą i smakiem, podczas gdy kombinacja karagenu i gumy guar oferowała nieco lepszą odporność na topnienie, ale mniej pożądaną teksturę.
Wyniki te wskazują, że dobór stabilizatorów powinien uwzględniać zarówno jakość sensoryczną, jak i odporność na topnienie, przy jednoczesnym zachowaniu niskiego kosztu produkcji.
Analiza z wykorzystaniem modelu CNN wykazała wysoki potencjał automatycznej klasyfikacji stanów topnienia.
Dokładność klasyfikacji znacząco wzrastała wraz ze zwiększaniem liczby danych oraz liczby epok treningowych, co potwierdza, że metoda ta jest obiecującym narzędziem badawczym.
Jednak niewielkie różnice wizualne pomiędzy stanem częściowo roztopionym a całkowicie roztopionym obniżały wiarygodność klasyfikacji, ponieważ model często mylił te dwa stany.
Pomimo tego ograniczenia, sieć CNN skutecznie i konsekwentnie identyfikowała stan stały, dostarczając użytecznych informacji na temat przebiegu procesu topnienia.
Podsumowując, niniejsza praca pozwoliła na ocenę wpływu składników i dodatków na zwiększenie odporności lodów na topnienie, wskazując, że najlepszym rozwiązaniem jest receptura Zestawu 1 z dodatkiem gumy guar i maltodekstryny.
Połączenie to pozwoliło na zachowanie kształtu produktu, niższy koszt produkcji oraz minimalną deformację po rozmrożeniu.
Co więcej, utrata nadmiaru cieczy w trakcie topnienia sprawiała, że tekstura stawała się bardziej zwarta i jeszcze kremowsza, poprawiając końcowe właściwości sensoryczne produktu.
[1] X. Liao i in., „Krystalizacja tłuszczu, częściowa koalescencja i odporność na topnienie lodów z dodatkiem oleju diacyloglicerolowego laurowego”, Journal of Food Engineering, t. 387, nr 0260-8774, s. 112304–112304, wrzesień 2024, doi: https://doi.org/10.1016/j.jfoodeng.2024.112304.
[2] Z. Wang i in., „Wpływ białek sojowych i ich hydrolizatów na koalescencję globulek tłuszczowych i właściwości ubijania rekonstruowanej niskotłuszczowej śmietanki”, Food Biophysics, t. 17, nr 3, s. 324–334, luty 2022, doi: https://doi.org/10.1007/s11483-021-09714-7.
[3] K. Szkolnicka, A. Mituniewicz-Małek, I. Dmytrów i E. Bogusławska-Wąs, „Zastosowanie mleka klaczy do produkcji lodów jogurtowych i synbiotycznych”, PLOS ONE, t. 19, nr 8, s. e0304692, sierpień 2024, doi: https://doi.org/10.1371/journal.pone.0304692.
[4] J. Amador, R. Hartel i S. Rankin, „Wpływ struktury tłuszczu i lepkości mieszanki lodowej na właściwości fizyczne i sensoryczne lodów”, Journal of Food Science, t. 82, nr 8, s. 1851–1860, czerwiec 2017, doi: https://doi.org/10.1111/1750-3841.13780.
[5] S. Liu i in., „Ser kozi fermentowany przez Lactococcus lactis wytwarzający maślan poprawia zdrowie kości i zmniejsza utratę masy kostnej w osteoporozie”, Journal of Dairy Science, nr 0022-0302, lipiec 2025, doi: https://doi.org/10.3168/jds.2025-26730.
[6] D. Conficoni, L. Alberghini, E. Bissacco, M. Ferioli i V. Giaccone, „Obecność metali ciężkich w dwóch rodzajach lodów: rzemieślniczych (włoskich gelato) i przemysłowych”, Journal of Food Protection, t. 80, nr 3, s. 443–446, marzec 2017, doi: https://doi.org/10.4315/0362-028x.jfp-16-291.
[7] D. Goff i H. Johnston, „Przewodnik fizyka po lodach”, Physics World, t. 38, nr 4, s. 23–26, kwiecień 2025, doi: https://doi.org/10.1088/2058-7058/38/04/19.
[8] W. Toommuangpak i S. Thaiudom, „Lody jogurtowe z Bifidobacterium longum subsp. longum TISTR 2195: wpływ zawartości tłuszczu i prebiotyków na właściwości fizykochemiczne i reologiczne, mikrostrukturę oraz przeżywalność probiotyków”, International Journal of Food Properties, t. 27, nr 1, s. 641–656, kwiecień 2024, doi: https://doi.org/10.1080/10942912.2024.2344565.
[9] J. Cheng, Y. Ma, X. Li, T. Yan i J. Cui, „Wpływ interakcji między białkami mleka a polisacharydami na stabilność modelowych mieszanek lodowych”, Food Hydrocolloids, t. 45, nr 0268-005X, s. 327–336, marzec 2015, doi: https://doi.org/10.1016/j.foodhyd.2014.11.027.
[10] S. Tagliamonte i in., „‘Śródziemnomorskie lody’: aspekty sensoryczne i żywieniowe zastąpienia śmietanki mlecznej oliwą z oliwek extra virgin”, Journal of Functional Foods, t. 102, nr 1756-4646, s. 105470, marzec 2023, doi: https://doi.org/10.1016/j.jff.2023.105470.
[11] A. Bearth, M.-E. Cousin i M. Siegrist, „Postrzeganie przez konsumentów sztucznych dodatków do żywności: wpływ na akceptację, ryzyko i ocenę korzyści”, Food Quality and Preference, t. 38, nr 0950-3293, s. 14–23, grudzień 2014, doi: https://doi.org/10.1016/j.foodqual.2014.05.008.
[12] T. M. Osaili i in., „Wiedza i postawy konsumentów wobec dodatków do żywności w Zjednoczonych Emiratach Arabskich”, PLOS ONE, t. 18, nr 3, s. e0282495, marzec 2023, doi: https://doi.org/10.1371/journal.pone.0282495.
[13] L. R. Sipple, C. M. Racette, A. N. Schiano i M. A. Drake, „Postrzeganie przez konsumentów lodów i mrożonych deserów z kategorii ‘lepsze dla zdrowia’”, Journal of Dairy Science, t. 105, nr 1, listopad 2021, doi: https://doi.org/10.3168/jds.2021-21029.
[14] T. Philpott, „Economies of Kale”, Research-EBSCO, 2012. Dostęp: https://research-ebsco-com.ezproxy.newcastle.edu.au/c/zkaoks/viewer/pdf/cmz3p7itvf (dostęp: 28 sierpnia 2025). S. Bhowmick, „Tesla Model S Battery System: An Engineer’s Perspective”, Circuit Digest, 16 grudnia 2021. Dostęp: https://circuitdigest.com/article/tesla-model-s-battery-system-an-engineers-perspective.
[15] P. Crowter, „Doświadczenie turbulencji”, Dairy Industries International, t. 77, nr 10, s. 22–23, 2012. Dostęp: http://ezproxy.newcastle.edu.au/login?url=https://www.proquest.com/trade-journals/experiencing-turbulence/docview/1150228074/se-2.
[16] Y. Gao, P. Tarkar, W. Khan i M. Haseeb, „Badanie czynników wpływających na intencję zakupu lodów w gospodarkach wschodzących”, British Food Journal, t. 125, nr 9, kwiecień 2023, doi: https://doi.org/10.1108/bfj-07-2022-0642.
[17] E. Wari i W. Zhu, „Model programowania z ograniczeniami dla przemysłu spożywczego: przypadek zakładu produkcji lodów”, International Journal of Production Research, t. 57, nr 21, s. 6648–6664, luty 2019, doi: https://doi.org/10.1080/00207543.2019.1571250.
[18] V. T. Weligama Thuppahige, L. Moghaddam, Z. G. Welsh i A. Karim, „Badanie właściwości morfologicznych, chemicznych i termicznych biodegradowalnych folii opakowaniowych do żywności wytwarzanych bezpośrednio z wytłoków manioku (Manihot esculenta)”, Polymers, t. 15, nr 3, s. 767, luty 2023, doi: https://doi.org/10.3390/polym15030767.
[19] W. Klinbun i P. Rattanadecho, „Badanie właściwości dielektrycznych i cieplnych żywności mrożonej w zakresie temperatur od –18°C do 80°C”, International Journal of Food Properties, t. 20, nr 2, s. 455–464, wrzesień 2016, doi: https://doi.org/10.1080/10942912.2016.1166129.
[20] L. B. Raisel i in., „Opracowanie innowacyjnej mieszanki stabilizująco-emulgującej w celu poprawy jakości lodów na poziomie strukturalnym”, Journal of Food Measurement & Characterization, t. 18, nr 7, s. 6250–6263, maj 2024, doi: https://doi.org/10.1007/s11694-024-02644-1.
[21] S. Xiang, B. Li i Y. Lyu, „Nawozy zawiesinowe oparte na odpadach organicznych z produktów ubocznych ekstrakcji oleju arachidowego”, Agronomy, t. 15, nr 8, s. 1885, sierpień 2025, doi: https://doi.org/10.3390/agronomy15081885.
[22] Z. Isral, R. Malaka i H. Hajrawati, „Właściwości fizyczne lodów z dodatkiem owoców smoczego owocu (dragon fruit) i różnych rodzajów emulgatorów jajecznych”, AIP Publishing, 5 czerwca 2023, doi: https://doi-org.ezproxy.newcastle.edu.au/10.1063/5.
[23] C. L. Kok, C. K. Ho, T. H. Aung, Y. Y. Koh i T. H. Teo, „Uczenie transferowe i głębokie sieci neuronowe do niezawodnego wykrywania ruchu dłoni w sygnałach EEG między różnymi osobami”, Applied Sciences, t. 14, s. 8091, 2024, doi: https://doi.org/10.3390/app14178091.
[24] R. Correa i in., „Systematyczny przegląd rozwoju ‘sprawiedliwych’ modeli AI do klasyfikacji i predykcji obrazów”, Journal of Medical and Biological Engineering, t. 42, nr 6, s. 816–827, październik 2022, doi: https://doi.org/10.1007/s40846-022-00754-z.
[25] K. Chhantyal, H. Viumdal i S. Mylvaganam, „Miękkie czujnikowanie przepływu cieczy nienewtonowskich w otwartym kanale Venturiego przy użyciu zestawu ultradźwiękowych czujników poziomu — modele AI i ich walidacja”, Sensors, t. 17, nr 11, s. 2458, październik 2017, doi: https://doi.org/10.3390/s17112458.
[26] C. Lee, R. A. Garcia, L. P. Bumanlag i C. Liang, „Odzyskiwanie tłuszczu mlecznego z odpadów lodowych poprzez destabilizację emulsji indukowaną etanolem”, International Journal of Dairy Technology, nr 13166, styczeń 2025, doi: https://doi.org/10.1111/1471-0307.13166.
[27] C. L. Kok, Y. Dai, T. K. Lee, Y. Y. Koh, T. H. Teo i J. P. Chai, „Nowe niskokosztowe rozwiązanie pojemnościowego czujnika do monitorowania pęcherzyków w czasie rzeczywistym w urządzeniach infuzyjnych”, Electronics, t. 13, nr 6, s. 1111, marzec 2024, doi: https://doi.org/10.3390/electronics13061111.
[28] C. L. Kok, C. K. Ho, T. H. Aung, Y. Y. Koh i T. H. Teo, „Uczenie transferowe i głębokie sieci neuronowe do niezawodnego wykrywania ruchów dłoni na podstawie sygnałów EEG”, Applied Sciences, t. 14, nr 17, s. 8091, wrzesień 2024, doi: https://doi.org/10.3390/app14178091.
[29] C. L. Kok, H. Tang, T. H. Teo i Y. Y. Koh, „Przetwornica DC-DC ze sterownikiem czasu martwego z kondensatorem przełączającym i ulepszonym detektorem prądu zerowego dla nierównoważonych par wejściowych w celu zwiększenia wydajności energetycznej”, Electronics, t. 13, s. 1237, 2024, doi: https://doi.org/10.3390/electronics13071237.
[30] C. L. Kok, X. Li, L. Siek, D. Zhu i J. J. Kong, „Sterownik czasu martwego z kondensatorem przełączającym dla przetwornicy buck DC-DC”, IEEE International Symposium on Circuits and Systems (ISCAS), Lizbona, Portugalia, 2015, s. 217–220, doi: https://doi.org/10.1109/ISCAS.2015.7168609.
Wszystkie dane wygenerowane lub przeanalizowane w trakcie niniejszego badania zostały zawarte w opublikowanym artykule.
Link do oryginalnego tekstu: https://arxiv.org/pdf/2509.00507