Using near-infrared hyperspectral images on subalpine fir board. Part 2: Density and basic specific gravity 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
Wood density (ρMC) and basic specific gravity (BSG) are important properties in several forest products manufacturing processes. In this study, near-infrared hyperspectral images were tested to produce two-dimensional (2D) ρMC and BSG images of subalpine fir (Abies lasiocarpa Hook) board. A total of 107 cubic samples with the size of 4 cm were prepared from 14 boards. All samples were dried to various moisture contents (MCs) during several steps until being completely dried. The resulting MCs ranged from 1% to 137% (dry basis). After the last drying step, the samples were soaked in water to determine BSG. Hyperspectral images and weight measurements were acquired over each sample at each drying step. ρMC was also estimated at each MC level. Partial least squares (PLS) models were developed for estimating both ρMC and BSG from the near-infrared hyperspectral imaging (NIR-HSI) system absorbance spectra acquired over all the samples during each drying step. The ρMC model provides a reasonable accuracy with the validation data-set (R2 = 0.81, RMSE = 39 kg/m3, and RPD = 2.3). For BSG, only models built with samples having MC of less than 12% are significant. The calibration data-set provides similar accuracy as the ρMC model (RMSE = 0.004, R2 = 0.82, and RPD = 2.28), but the accuracy is lower with the validation data-set (RMSE = 0.007, R2 = 0.53, and RPD = 1.39). Our data-set has BSG values varying only from 0.326 to 0.374, and further work is needed to apply these methods to a data-set that includes a more extended range of BSG variations for improving estimation accuracy.
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