Colour in thermally modified wood of beech, Norway spruce and Scots pine. Part 2: Property predictions from colour changes
Notice bibliographique
Résumé
Abstract In the woodworking industry, image analysis is routinely used for quality control and for matching and classification during various processes. An extension of these automated systems for the prediction of physical properties of thermally modified wood (TMW) is enticing, because to date there is no generalised procedure for the quality assurance of TMW. In this work, the feasibility of predicting 13 physical parameters from the analysis of colour changes is demonstrated using small thermally modified specimens of three wood species. Simple linear regression models for anti-swelling efficiency, nominal density, heat-induced weight loss and 10 strength parameters in six forms of stress were all very or highly significant, with R2 statistics for the best predictor from 0.24 to 0.94. ΔE* was found to be a better predictor than ΔL* for most properties. Multiple linear regression with 11 colour variables increased the prediction ability of most models in terms of R2, although these improvements varied with the property and species concerned. The best models altogether were obtained by partial least squares regression, with relative prediction error values >0 in all cases. Our results demonstrate that physical properties of small specimens of TMW can be efficiently predicted with only one after treatment measurement of colour in the CIEL*a*b* colour space by means of image analysis of TMW surfaces. We anticipate that our approach would be a starting point for more refined modelling of physical properties of larger wood members and other properties of interest in TMW (e.g., decay resistance).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».