Identification of Classes and Moisture Contents for Location-specific and Crop year-specific Wheat Samples Using the Near-Infrared (NIR) Hyperspectral Imaging
Notice bibliographique
Résumé
Accurate segregation, proper drying, and safe storage can be possible when wheat classes and their moisture levels are properly identified. The potential of using a near infrared (NIR) hyperspectral imaging system to identify four western Canadian wheat classes each at 13, 16, and 19% moisture contents was investigated. Wheat samples harvested during 2007, 2008, and 2009 crop years were collected from various locations in Manitoba, Saskatchewan, and Alberta. An Indium Gallium Arsenide (InGaAs) NIR camera was used to scan bulk samples of wheat in the 960-1700 nm wavelength region at 10 nm intervals. Calculated relative reflectance intensities of the scanned images were used for forming spectral data set. Scores images and loadings plots were generated using the principal component analysis (PCA). In both 16 and 19% moisture content (m.c.) wheat, the highest factor loadings were in the region of 1260-1390 nm out of 75 NIR wavelengths in the 960-1700 nm range. In overall identification of four wheat classes independent growing locations, crop years, and moisture levels, average classification accuracies were of 80.6 and 76.3% for the linear discriminant analysis (LDA) and the quadratic discriminant analysis (QDA), respectively. For both 16 and 19% m.c. wheat, wavelengths in the NIR regions of 1000-1200 and 1260-1390 nm were important in identifying wheat classes independent of growing locations and crop years. This study establishes that NIR hyperspectral imaging study can be used as a comprehensive tool for identifying wheat classes and moisture levels.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».