Identification of pests hidden in wheat kernels based on support vector machine classifier
Notice bibliographique
Résumé
The identification of pests hidden in stored wheats, essential to grain storage safety, is a key difficulty in the research of target detection.This paper introduces the support vector machine (SVM) classifier to identify the pests hidden in wheat kernels, and selects the proper kernel function and parameters to classify various samples.It is verified that the proposed method could accurately detect the pests in wheat kernels.This research provides new insights into the application of pattern recognition in bio-photon detection of pests in stored grains.RÉSUMÉ.L'identification des parasites caché s dans les blé s stocké s, essentielle à la sé curité du stockage du grain, est une difficulté majeure dans la recherche sur la dé tection des cibles.Cet article pré sente le classifieur de machine à vecteurs de support (en anglais support vector machine, SVM) pour identifier les parasites caché s dans les noyaux de blé et sé lectionne la fonction et les paramè tres du noyau approprié s pour classifier divers é chantillons.Il est vé rifié que la mé thode proposé e pourrait dé tecter avec pré cision les parasites dans les noyaux de blé .Cette recherche fournit de nouvelles perspectives sur l'application de la reconnaissance de formes à la dé tection par bio-photon des parasites cacshé s dans les grains stocké s.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».