Automatic Identification of Ficus deltoidea Jack (Moraceae) Varieties Based on Leaf
Notice bibliographique
Résumé
Currently, the traditional method used to identify Ficus deltoidea Jack (Moraceae) varieties require the plant taxonomists to observe and examine the leaf morphology of herbarium or live specimens. An automated variety identification system would ease the herbs collector to carry out valuable plant identification work. In this paper, a model for F. deltoidea varieties identification based on their leaf shape, color and texture was developed. Five different varieties of F. deltoidea were used in the proposed work with sixty nine sample data collected for each of varieties. First, the F. deltoidea leaves were plucked and the picture of leaves is then taken by a digital scanner in the format of JPEG. For leaf shape, a total of fourteen shape features were extracted based on basic geometric features. The mean of different color channels was calculated in leaf color feature extraction. Furthermore, four texture features based on gray-level co-occurrence matrix was implemented to extract leaf texture properties. By using the leaf structure, a set of three different leaf properties which are leaf shape, color and texture features was extracted. The features weight is then calculated using eigenvalues coefficient in principal component analysis. The best principal components are retained for identification experiments. Lastly, Nearest Neighbor with Euclidean distance was used in variety identification based on three different leaf properties mentioned above. The effectiveness of different leaf features are demonstrated in the identification experiment.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».