A Group Labelled Classification Model for Accurate Medical Plant Detection Used in Drug Preparation
Notice bibliographique
Résumé
The use of medical plants in the preparation of medicines has been increased in recent years. Medical plants are an essential component in the production of medicinal products. Medicines are made from root powder or plant leaves. When the herbal medicine is reduced to powder, more experience is required to determine the medicinal product through pharmacognoses. Inaccurate medical plants can cause patients serious health problems. For standardization and quality control of medical drugs the correct identification of the powder shape of medical plants is important. Medical plants are currently classified using a chemical leaf-based assessment, physical assessment and biological assessment. In medicine industry it is extremely necessary to identify the right medicinal plants for the preparation of a medicine. Its leaves form, color and texture are the key features needed to recognize a medicinal plant. In hierarchical clustering technology, the coefficient of inconsistency is used to generate natural clusters. Intra class differences can be seen with the amount of clusters obtained for plant organisms. The aggregate of the corresponding vectors of each sample of a cluster is calculated for one cluster representation. In terms of its leaf samples, therefore, the multiple members of the valued interval type are used to represent the plants in an effective way. The proposed model performs classification of leaf features using group labelled clustering model and then perform locking of labelling. This paper considers a Group Labelled Classification (GLC) Model that examines feature on the front and back of a green leaf, along with morphological characteristics, to achieve a specific optimal combination of features that optimize the recognition rate. The proposed model efficiently extracts the relevant features only from the medical leaf for accurate medical leaf detection. The proposed model is compared with the traditional methods and the results show that the proposed model performance is better.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».