Metaheuristic algorithms in visible and near infrared spectra to detect excess nitrogen content in tomato plants
Notice bibliographique
Résumé
Chemical fertilizers are widely applied in agriculture to achieve high yield, enhance produce quality and build resistance to diseases; in our case the plant being tomato ( Solanum lycopersicum L. var. Royal). However, the acidity, size and taste of tomato fruits could change with excess nitrogen (N) application. The present study aims at the early detection of nitrogen-rich tomato leaves using hyperspectral imaging techniques in the visible and near infrared (Vis-NIR) spectrum, in order to improve plant nutrition composition at an early growth stage. A 30% over-dose of nitrogen was applied to half of the tomato pots. Five leaves were randomly collected from each pot for 3 days (classes D0, D1, D2 and D3), and images were captured with a hyperspectral camera. A metaheuristic approach of artificial neural networks and the firefly algorithm (ANN-FA) was used to determine the most discriminative wavelengths. Afterwards, a combination of ANN and particle swarm optimization (ANN-PSO) was used to classify tomato leaves into the four classes. The training/classification process was repeated 200 times, and results indicated that the proposed approach was able to detect the excess of nitrogen even at the first day (D1), with a precision of 92.9%. Considering all the classes, the average correct classification rate was 92.6%, while the best execution achieved 95.5% accuracy. Thus, the method showed a high performance for practical uses.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 | 0,000 |
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 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 ».