Assessment of Ripening Degree of Avocado by Electrical Impedance Spectroscopy and Support Vector Machine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Avocado, a climacteric fruit, exerts high rate of respiration and ethylene production and thereby subject to ripening during storage. Therefore, its ripening is a significant factor to impart optimum quality in postharvest storage. To understand the dynamics of ripening and to assess the degree of ripening in the avocado, electrical sensing technique is utilized in this study. In particular, electrical impedance spectroscopy (EIS) is found to uncover the physiological and structural characteristics in plants and vegetables and to follow physiological progressions due to environmental impacts. In this work, we present an approach that will integrate EIS and machine learning technique that allows us to monitor the ripening degree of the avocado. It is evident from our study that the impedance absolute magnitude of the avocado gradually decreases as the ripening stages (firm, breaking, ripe, and overripe) proceed at a particular frequency. In addition, principal component analysis shows that impedance magnitude (two principal components combined explain 99.95% variation) has better discrimination capabilities for ripening degrees compared to impedance phase angle, impedance real part, and impedance imaginary part. Our classifier utilizes two principal component features over 100 EIS responses and demonstrates classification over firm, breaking, ripe, and overripe stages with an accuracy of 90%, precision of 93%, recall of 90%, f1-score of 90%, and auc of 88%. The study offers plant scientists a low cost and nondestructive approach to monitor postharvest ripening process for quality control during storage.
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.
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) | 0,001 | 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 | 0,000 | 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 découle