AUTOMATIC CLASSIFICATION OF AGRICULTURAL GRAINS: COMPARISON OF NEURAL NETWORKS
Notice bibliographique
Résumé
In this study, applications of well-known neural networks such as artificial neural network (ANN), adaptive neuro-fuzzy inference system (ANFIS) and support vector machine (SVM) for wheat grain classification into three species are comparatively presented.The species of wheat grains which are Kama ( 70), Rosa ( 70) and Canadian ( 70) are designated as outputs of neural network models.The classification is carried out through data of wheat grains ( 210) acquired using X-ray technique.The data set includes seven grain's geometric parameters: Area, perimeter, compactness, length, width, asymmetry coefficient and groove length.The neural networks input with the geometric parameters are trained through 189 wheat grain data and their accuracies are tested via 21 data.The performance of neural network models is compared to each other with regard to their accuracy, efficiency and convenience.For testing data, the ANN, ANFIS and SVM models numerically calculate the outputs with mean absolute error (MAE) of 0.014, 0.018 and 0.135, and classify the grains with accuracy of 100 %, 100 % and 95.23 %, respectively.Furthermore, data of 210 grains is synthetically increased to 3210 in order to investigate the proposed models under big data.It is seen that the models are more successful if the size of data is increased, as well.These results point out that the neural networks can be successfully applied to classification of agricultural grains whether they are properly modelled and trained.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».