Detection of damaged seeds in laboratory evaluation of precision planter using impact acoustics and artificial neural networks
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
In the present study, feasibility of laboratory detection of damaged seeds in precision planters caused by malfunction of seed metering device was investigated. An acoustic-based intelligent system was developed for detection of damaged pelleted tomato seeds. To improve the Artificial Neural Network (ANN) models a total of 2000 seeds sound signals, 1000 samples for damaged seeds and 1000 for undamaged ones were recorded. When seed metering device drove out seeds, the ejected seeds were impacted to steel plate, and their acoustic signals were recorded from the impact. The bounced seeds lied on the running grease belt. In each stage of experiments, damaged seeds were determined manually in grease belt and related damaged seed sound signals were designated. Achieved acoustic signals, were processed and potential features were extracted from the analysis of sound signals in time and frequency domains. The method is based on feature generation by Fast Fourier Transform (FFT), feature selection by statistical methods and classification by Multilayer Feed forward Neural Network. Features such as amplitude, phase and power spectrum of sound signals were computed through a 1024-point FFT. By using statistical factors (maximum, minimum, median, mean and variance) for each vector of data, feature vector was reduced to 15 factors. In developing the ANN models, several ANN architectures, each having different numbers of neurons in hidden layer, were evaluated. The best model was chosen after a number of evaluations based on minimizing the mean square error (MSE), correct detection rate (CDR) and correlation coefficient (r). Selected ANN, 15-17-2 was configured for classification. CDR of the proposed ANN model for undamaged and damaged seeds was 99.49 and 100 respectively. MSE of the system was found to be 0.0109.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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