MARC

 008250123s2024        us                              c    eng  d
■001000017160143
■00520250211150918
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382840543
■035    ▼a(MiAaPQ)AAI30817797
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a641
■1001  ▼aQian,  Chenhao  Luke.▼0(orcid)0000-0002-3835-1952
■24510▼aUtilization  of  Modeling  Tools  for  Managing  Microbial  Food  Safety  and  Spoilage
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a204  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Wiedmann,  Martin.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aThe  current  food  system  is  by  no  means  flawless.  Despite  the  advancement  in  improving  the  efficiency  of  food  production,  the  fundamentals  of  food,  which  are  safety  and  waste,  are  still  challenges  that  the  entire  food  industry  is  trying  to  overcome.  In  the  U.S.,  among  the  food  produced,  25%  is  wasted  due  to  microbial  spoilage.  The  remaining  that  is  consumed,  although  at  low  likelihood,  is  possibly  contaminated  with  pathogens  at  the  level  that  might  cause  foodborne  disease.  The  Center  of  Disease  Control  and  Prevention  (CDC)  estimates  that  foodborne  disease  alone  leads  to  9.4  million  illnesses  and  1,351  deaths  yearly  in  the  U.S.  Novel  techniques  are  urgently  needed  to  continue  improving  our  current  food  system.  Digital  tools  powered  by  data-driven  or  mechanistic  models  are  a  promising  candidate.  While  digital  technology  and  modeling  tools  are  increasingly  being  applied  to  the  food  industry,  most  successful  applications  are  limited  to  automation  of  repetitive  tasks  (e.g.,  sorting,  grading),  yield  improvement  and  process  control.  Unlike  the  easily  measurable  outcome  of  interests  in  these  examples,  microbial  quantification  is  challenging  as  the  experimental  method,  food  matrix,  and  type  of  microorganism  all  introduce  considerable  variability  and  uncertainty  to  the  measurement.  This  dissertation  aims  to  provide  insight  into  potential  applications  and  limitations  of  modeling  techniques  that  help  address  microbial  food  safety  and  spoilage  by  (i)  summarizing  and  analyzing  existing  Artificial  Intelligence  (AI)  and  Machine  Learning  (ML)  applications  in  the  field  of  food  safety,  (ii)  developing  and  deploying  two  digital  tools  that  can  help  dairy  processors  with  decision-making  in  terms  of  implementation  of  control  strategies  to  reduce  the  product  spoilage,  (iii)  suggesting  technical  approaches  that  can  enhance  the  data  privacy  and  therefore  encourage  the  food  industry  to  apply  these  digital  tools.  The  outcome  of  this  dissertation  will  hopefully  shed  light  on  the  future  of  the  digital  food  system  in  which  we  can  transform  our  understanding  of  microbial  dynamics  into  predictive  analytics  that  can,  in  return,  reliably  guide  us  to  reduce  food  safety  risks  and  food  waste  further.
■590    ▼aSchool  code:  0058.
■650  4▼aFood  science
■650  4▼aMicrobiology
■653    ▼aDairy
■653    ▼aData  sharing
■653    ▼aFluid  milk
■653    ▼aFood  safety
■653    ▼aFood  spoilage
■690    ▼a0359
■690    ▼a0800
■690    ▼a0410
■71020▼aCornell  University▼bFood  Science  and  Technology.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160143▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서