Neural network modelling of fruit colour and crop variables to predict harvest dates of greenhouse-grown sweet peppers
Notice bibliographique
Résumé
Sweet peppers (Capsicum annuum L.) grown in the greenhouse have irregular yields. Modelling colouration of individual fruit could help growers predict the number of fully coloured peppers that will be ready to harvest within a routine harvest period. We monitored the red, green and blue colour intensities of developing pepper fruit via digital image processing. These colour measurements together with crop phenology and environmental variables were used as inputs into neural network (NN) models to predict days-to-harvest (D-to-H) for ind ividual fruit. When 18 inputs were evaluated, a typical “best” NN model needed only five of the inputs to predict D-to-H (range 0 to 28 d) for red peppers with a R2 of 0.79, a root mean square error (RMSE) of 3.4 d, and an average absolute error (AAE) of 2.5 d. D-to-H were more difficult to predict for yellow peppers, with the “best” model using eight inputs to achieve a R2 of 0.69, a RMSE of 4.4 d, and an AAE of 3.4 d. Light and temperature made little contribution to predictions of D-to-H. NN models with o nly three inputs (Julian day, nodal position of the target fruit and ratio of red:green intensities) could still make useful predictions of harvest maturity. For both red and yellow peppers, the R2 values of NN models were higher than the corresponding R2a (R2 adjusted) values derived from multiple linear regression models. It is concluded that NN have potential to assist greenhouse operators to predict D-to-H of sweet peppers. Key words: Greenhouse production, fruit, colouration, digital imaging, neural networks
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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) | 0,001 | 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 ».