Random Forests in the Supervised Classification of Multidimensional Images of the Tetrazolium Test
Notice bibliographique
Résumé
The quality of the soybean seed can be influenced by several factors that may occur at any stage of production. Mechanical damage, deterioration by humidity and the damage caused by bed bugs are among such problems. The tetrazolium test is adopted by the seed industry, especially for testing soybeans, due to its accuracy, fast result, and the large amount of information it provides. Digital processing and image analysis can be used to aid the extraction and classification of standards for minimizing the subjectivity implicit in the test, thus allowing more credibility to the information. The aim of this work is testing the effectiveness of Random Forests in the supervised classification of soybean embryos images submitted to the tetrazolium test. In order to do so, we used the Trainable Weka Segmentation plugin to perform the segmentation process, and the WEKA software to evaluate the quality of the classifier model obtained. During the process, 222,646 instances among 230,388 instances were correctly classified (96.7%), with Kappa index of 0.95, showing the classifier excellent performance regarding the proposed dataset. The supervised classification, combined with pixel-based segmentation, proved to be efficient in extracting more coherent visual information on seed damage. Also, we conclude that the choice of image attributes, along with the algorithm used in the work, showed to be competent in the classification process of high dimensionality samples.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».