Modeling of the Bulk Tobacco Flue-Curing Process Using a Deep Learning-Based Method
Notice bibliographique
Résumé
The research of the bulk tobacco flue-curing process is helpful to model the intelligent bulk curing system, which is designed to implement the curing procedure without manual operation. An intelligent bulk curing method based on the convolutional neural network (CNN) named TobaccoNet was proposed, which could set the target dry-bulb temperature (TD) and the target wet-bulb temperature (TW) of the bulk curing barn according to the tobacco leaves image. The performance of the TobaccoNet is compared with the traditional manual image feature extraction method, the stacked-sparse-autoencoder (SSAE)-based deep learning method, and the other two methods applied in related references. The test results show that TobaccoNet outperforms the comparison methods in predicting TD and TW. Specifically, the correlation coefficient reaches 0.9965 and 0.9683, the mean relative error is 1.62% and 1.77%, and the root mean squared error achieves 1.061 °C and 0.8581 °C respectively. The promising results demonstrate that the TobaccoNet is effective and reliable for modeling the intelligent bulk tobacco flue-curing process. The influence of different CNN structures on the prediction accuracy of TD and TW was analyzed. From the perspective of the computational complexity and the prediction performance, the proposed sequential CNN structure is more suitable for analyzing bulk tobacco curing in this study.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».