Saccharinity Test on Cherry Tomatoes Based on Hyperspectral Imaging
Notice bibliographique
Résumé
Based on the hyperspectral imaging (HSI) technique, this paper attempts to test the saccharinity of three varieties of cherry tomatoes in a nondestructive manner. The cherry tomato samples of the three varieties were collected, and kept at room temperature for 12h. Then, the spectral curves of the samples were obtained between the wavelengths of 914.91nm and 1,661.91nm. After that, the feature bands were extracted by three algorithms, namely, competitive adaptive reweighted sampling (CARS), successive projection algorithm (SPA) and SPA-CARS. The samples were divided into a correction dataset and a prediction dataset at the ratio of 2:1. Next, the feature bands extracted by the three algorithms were combined with the partial least squares (PLS) and least squares-support vector machine (LS-SVM) into six saccharinity prediction models. Finally, the prediction results of the six models were compared, revealing that the CARS-LS-SVM achieved the best performance with a prediction accuracy of >92%. The evaluation indices of this model are as follows: the correlation coefficient of correction dataset (R ), 0.9696; the correlation coefficient of prediction dataset (R ), 0.9220; the root mean square error of correction dataset (RMSEC), 0.2768; the root mean square error of prediction dataset (RMSEP), 0.4390. The research results lay the basis for industrial grading of saccharinity of cherry tomatoes in a nondestructive manner.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».