Determination of Main Constituents in Green Gram Using Near- Infrared Hyperspectral Imaging
Notice bibliographique
Résumé
For the determination of main constituents, grain research laboratories around the world are using age old techniques which are time consuming, cost intensive, and sample destructive. In the present study, an attempt was made to investigate the feasibility of near-infrared (NIR) hyperspectral imaging for predicting moisture, protein, and starch content in green gram (Vigna radiata (L.) R. Wilczek). Images of green gram were obtained using a NIR hyperspectral imaging system in the wavelength region of 960-1700 nm at 10 nm intervals. Seventy five NIR reflectance intensities were extracted from each of the scanned images and were used in the development of prediction models. Ten-factor partial least squares regression (PLSR) and principal components regression (PCR) models were developed using a ten-fold cross validation for prediction. Prediction performances of PLSR and PCR models were assessed by calculating the estimated mean square errors of prediction (MSEP), standard error of cross-validation (SECV), and correlation coefficient (r). Overall, PLSR models demonstrated better prediction performances than the PCR models for predicting moisture, protein, and starch content of green gram. Based on β-coefficient values of the PLSR method, wavelengths regions of 1180-1220 and 1320-1360 nm; 960-980 and 1100-1110; and 1050-1100, 1230-1360, and 1400-1450 nm could be used in future inline inspection for predicting moisture content, protein, and starch content of green gram, respectively in multi-spectral imaging systems.
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) | 0,000 | 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) | 0,000 | 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 ».