MétaCan
Menu
Retour à la cohorte
Enregistrement W2789955421 · doi:10.13031/aea.12490

Potential Use of Digital Photographic Technique to Examine Wild Blueberry Ripening in Relation to Time of Harvest

2018· article· en· W2789955421 sur OpenAlexfundno aff
Salamat Ali, Qamar U. Zaman, Aitazaz A. Farooque, Arnold W. Schumann, Chibuike C. Udenigwe, Travis J. Esau, Young Chang

Notice bibliographique

RevueApplied Engineering in Agriculture · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBerry genetics and cultivation research
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésRipeningHarvest timeHorticultureYield (engineering)BerryGrowing seasonBiologyBotany

Résumé

récupéré en direct d'OpenAlex

Abstract. Northeastern North America is the world’s leading producer of wild blueberry. Ripening of wild blueberry is the leading factor for fruit quality. Currently, there are no protocols available for the farming community related to wild blueberry fruit ripening and maturity. A nondestructive, rapid, and reliable digital photography technique could be used to examine the ripening of wild blueberries for appropriate harvesting time. Two wild blueberry fields were selected to examine the berry ripening levels using digital photographic techniques at different time of harvest (early, middle, and late seasons). The fields were divided into four blocks and each block was further divided into three classes of times of harvest. Fruit images from each block were acquired and processed to count blue pixels from each image. A significant correlation was found between percentage of blue pixels and actual fruit yield in Field A (R2 = 0.96; P < 0.001) and Field B (R2 = 0.97; P < 0.001). The results also indicated that the effect of time of harvest on fruit yield was significant and fruit yield increased gradually during early harvesting, reached maximum during mid-season, and then started to decrease in late harvesting. Results indicated that 90% of green-berries had turned blue at the end of middle season compared to early season (58%). Based on the results of this study, optical analysis could help to keep fruit quality by optimizing appropriate harvesting time of wild blueberries. It is also suggested that the optimum time to harvest wild blueberries is middle season to ensure high fruit yield and quality. Keywords: Blue pixels, Fruit yield, Harvesting season, Wild blueberry.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,192
Écart entre enseignants0,181 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Engineering in AgricultureMême sujetBerry genetics and cultivation researchTravaux en français237 207