Near-Infrared Hyperspectral Imaging to Differentiate Wheat Classes
Notice bibliographique
Résumé
Differentiation of wheat classes is one of the important challenges to the grain industry. Even though some classes of wheat may look similar, their chemical composition and consequently, the end-product quality can vary significantly. Visual differentiation of wheat classes suffers from disadvantages such as inconsistency, low throughput, and labor intensiveness. A near-infrared (NIR) hyperspectral imaging technique was used to develop a classification model to differentiate eight wheat classes grown in western Canada (Canada Western Red Spring (CWRS), Canada Prairie Spring Red (CPSR), Canada Western Extra Strong (CWES), Canada Western Red Winter (CWRW), Canada Prairie Spring White (CPSW), Canada Western Amber Durum (CWAD), Canada Western Soft White Spring (CWSWS) and Canada Western Hard Winter (CWHW)). Wheat bulk samples (11% moisture content wet basis), 50 g each filled in petri dishes, were scanned in the wavelength region of 960 to 1700 nm at 10 nm intervals using a long wavelength InGaAs NIR Camera. Seventy five mean reflectance features were extracted from the scanned images and used for the identification of wheat classes using an artificial neural network (ANN) and a statistical classifier. Classification accuracy was 100% in classifying CPSR, CWES, CWHW, CWRS, CWRW and CWSWS wheat classes and above 97% for the other two wheat classes (CPSW and CWAD) using linear discriminant analysis. Using quadratic discriminant analysis, the classification accuracy was above 97% for all wheat classes. The classification accuracy of ANN models of two different training patterns (60% training: 30% test: 10% validation and 70% training: 20% test: 10% validation) ranged from 68-100% and 61-100%, respectively.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».