Comparison of soft X-rays and NIR spectroscopy to detect insect infestations in grain
Notice bibliographique
Résumé
One of the challenges that need to be addressed to automate grain inspection is the machinedetection of insect infestations in grains. In this study, the soft X-ray and NIR spectroscopy methods to detectinsect infestations were evaluated for their potential for real-time application. Infested wheat kernels wereprepared by artificially infesting Canada Western Red Spring wheat by Sitophilus oryzae adults. Single kernelsof wheat uninfested and infested by larvae, pupae, and adults of S. oryzae were first scanned by X-rays. Thesame infested kernels were then mixed with uninfested bulk grain and scanned using a spectrophotometer.The infestation level in the soft X-ray method was quantified by counting the number of infested and unifestedkernels whereas in the NIR spectroscopy method it was quantified by the mass of infested and unifested grain.The identification of infestations by both methods increased with the increase in the developmental stage of theinsect from larvae to adult stage. The soft X-ray method has the advantage of potential application in graininspection over NIR spectroscopy where the number of infested or insect-damaged kernels is an essentialinformation. The NIR spectroscopy analyzing bulk samples has applications in grain management such asfumigation where the identification of insect species is critical and precise quantification of infestations is notvital.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».