Neural network modelling of fruit colour and crop variables to predict harvest dates of greenhouse-grown sweet peppers
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
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 R 2 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 R 2 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 R 2 values of NN models were higher than the corresponding R 2 a (R 2 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.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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