Chickpea varietal classification using deep convolutional neural networks with transfer learning
Notice bibliographique
Résumé
Abstract The non‐availability of assessment tools among stakeholders often results in mixing of different chickpea varieties during its movement in the supply chain. Since each chickpea variety has unique physico‐chemical properties, it is important to prevent mixing with other varieties for maintaining the purity to obtain the intended quality for specific formulation. In this study, seven pre‐trained deep convolutional neural networks (AlexNet, GoogleNet, ResNet18, ResNet50, VGG16, VGG19, and MobileNetV2) with transfer learning were used for the classification of eight chickpea varieties (CDC‐Alma, CDC‐Leader, CDC‐Palmer, CDC‐Frontier, CDC‐Luna, CDC‐Orion, CDC‐Cory, and CDC‐Consul) using RGB images. For satisfying the input size requirement of the pre‐trained networks, the acquired images were cropped and resized using “Lanczos2” interpolation method for retaining maximum information from the original image. Furthermore, the hyperparameters of the pre‐trained networks (learning rate and batch size) were optimized to achieve high accuracy. The overall classification accuracy of the transfer learning models were 100, 100, 99, 92, 78, 72, and 50% for ResNet50, MobileNetV2, GoogleNet, ResNet18, VGG16, VGG19, and AlexNet, respectively. The study revealed that transfer learning is an effective way to derive the advantages of deep convolutional neural networks for varietal classification in chickpea. Practical Applications Classification of agricultural crops according to their varieties is critical during production and postharvest processing operations. Due to the growing importance of pulses as a major source of plant protein, the classification of chickpea on varietal basis assumes great significance to maintain the physico‐chemical characteristic uniqueness of the varieties. Hence, this study aimed at utilizing machine vision and deep transfer learning to successfully classify the different chickpea varieties. The developed model can be further integrated to a mobile environment or an embedded device for use in production catchments, processing facilities which would help the stakeholders in real time classification of chickpea varieties.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».