Detection of wet-pockets on the surface of Tsuga heterophylla (Raf.) Sarg. by near infrared (NIR) spectroscopy
Notice bibliographique
Résumé
Abstract Multivariate statistical models capable of rapidly and accurately predicting the surface moisture content in Tsuga heterophylla were developed based on near infrared (NIR) spectra of small specimens precisely conditioned within the hygroscopic range. In an initial research phase, the applicability of NIR as predictor of surface moisture was investigated. The first derivative spectra in the range of 1300–2100 nm yielded the best results. The partial least squares regression (PLS-1) model had coefficient of determination (R 2 ) of 0.98, root mean square error of cross validation (RMSECV) of 0.97%, root mean square error of prediction (RMSEP) of 1.05%, and ratio of performance to deviation (RPD) of 7.25. In a subsequent phase, an inline pilot-plant NIR system combined with this PLS-1 model was constructed. The prediction ability of the NIR system was tested with line speeds of 0, 100, 200, and 400 mm s -1 on kiln-dried full-length lamination boards classified as “wets” after conventional kiln drying. In a calibrated range of moisture content (0–25.4%), the NIR system demonstrated R 2 values of 0.79 and 0.74, RMSEP values of 3.13 and 3.28, and RPD values of 2.18 and 1.67 at a line speed of 0 and 100 mm s -1 , respectively, regardless of the presence of knots and surface roughness. These results demonstrate that the NIR system at a line speed of 0–100 mm s -1 could be used to provide entire surface moisture distribution and to detect local moisture peaks that indicate surface wet-pockets in kiln-dried lumber destined for lamination.
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 | 0,001 |
| 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 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 ».