Notice bibliographique
Résumé
People usually assess fruit qualities from external features such as color, shape, size, and texture. However, it is quite common that we select fruits with perfect appearances but rotten inside, especially for fruits with thick pericarps. Thus the accurate measurement is desirable to evaluate the internal conditions of fruits. As two key features of fruit internal qualities, existing methods on measuring fruit moisture and soluble solid contents (SSC) are either destructive or costly, limiting their adoption in daily life. In this paper, we propose Wi-Fruit, a non-destructive and low-cost fruit moisture and SSC measurement system leveraging Wi-Fi channel state information (CSI). First, to cope with the fruit structure dependency challenge, we propose a double-quotient model to pre-process CSI on adjacent antennas. Second, to address the fruit size and type dependency challenges, a lightweight artificial neural network (ANN) model with visual information fusion is proposed for fruit moisture and SSC estimations. Extensive evaluations are conducted on 6 types of fruits with both thick (i.e., watermelon and grapefruit) and thin pericarps (i.e., dragon fruit, apple, pear, and orange) over a month in either an empty laboratory room or a library with massive books. Results demonstrate that Wi-Fruit achieves an acceptable estimation accuracy (RMSE=0.319). It is independent of various fruit structures, sizes, and types, while also robust to time and environmental changes. The fruit internal sensing capabilities of Wi-Fruit can help fruit saving and safety in both pre-harvest and post-harvest applications.
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 | 0,001 | 0,001 |
| 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 ».