Feasibility of the application of electronic nose technology to detect insect infestation in wheat
Notice bibliographique
Résumé
Feasibility of the application of electronic nose technology to detect insect infestation in wheat.Canadian Biosystems Engineering/Le génie des biosystèmes au Canada 55: 3.1-3.9.An Alpha MOS FOX-3000 electronic nose (e-nose) equipped with 12 metal oxide semiconductor (MOS) sensors was used to evaluate the presence of insects in wheat.Samples of Canada western red spring (CWRS) wheat (cv.AC Barrie) infested with rusty grain beetle (RGB), Cryptolestes ferrugineus (Stephens), and red flour beetle (RFB), Tribolium castaneum (Herbst), were placed in glass jars fitted for the collection of headspace volatiles.Different insect densities (0, 1, 2, 10 and 20 insects/kg) were tested for each insect species in combination with three moisture content levels for wheat (14%, 16%, and 18% wet mass basis).The headspace volatiles from insect-infested or non-infested wheat were sampled and injected into the e-nose.The response of e-nose sensors, in the form of a multi-dimensional matrix, was extracted and interpreted using AlphaSoft V8.0 software.The automated pattern recognition algorithms in the software (Principal Component Analysis, Discriminant Factorial Analysis, and Partial Least Square) were used to evaluate the samples.The e-nose could only detect the presence of RFB in wheat with the high infestation level (20 insects/kg) at 14% and 16% moisture content.However, the e-nose did not detect the presence of RFB in wheat at 18% moisture content.The e-nose also failed to detect the presence of RGB in wheat.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».