Using near-infrared hyperspectral images on subalpine fir board. Part 1: Moisture content estimation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AbstractIn this study, moisture content (MC) images of subalpine fir (abies lasiocarpa Hook) boards were derived from near-infrared hyperspectral images in the 947–1637 nm range. One hundred and seven cubic samples with the size of 4 cm were prepared from 14 boards. All samples were dried to various MCs during several steps until being completely dried. Hyperspectral images and weight measurements were acquired over each sample at each drying step. The samples have MC ranging from 1% to 137% (dry basis). The images were first calibrated into reflectance. Then, bad pixels were found and replaced by a corrected value using a median filter. A modified version of the boxplot method was used to find abnormal spectra that were then removed. The remaining spectra were converted into absorbance spectra. They were then split into a calibration and a validation data-set according to the boards they were extracted from to build and validate a partial least squares (PLS) regression model between the near-infrared absorbance spectra and the measured MCs. The PLS model was applied first to the sample images, then to the whole board images in order to produce 2D images of MC.Keywords: Hyperspectral imagingboarddistribution of moisture contentnear-infraredPLSsubalpine fir AcknowledgmentsThe authors thank G. Chow from FPInnovations as well as K. Phung (UNB) for their help during the experiments. The study was supported by an NSERC Strategic Grant awarded and a New Brunswick Foundation for Innovation grant to B. Leblon.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 | 0,000 | 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) | 0,000 | 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 découle