Identification of Near Geographical Origin of Wolfberries by a Combination of Hyperspectral Imaging and Multi-Task Residual Fully Convolutional Network
Notice bibliographique
Résumé
Ningxia wolfberry is the only wolfberry product with medicinal value in China. However, the nutritional elements, active ingredients, and economic value of the wolfberry vary considerably among different origins in Ningxia. It is difficult to determine the origin of wolfberry by traditional methods due to the same variety, similar origins, and external characteristics. In the study, we have for the first time used a multi-task residual fully convolutional network (MRes-FCN) under Bayesian optimized architecture for imaging from visible-near-infrared (Vis-NIR, 400-1000 nm) and near-infrared (NIR-1700 nm) hyperspectral imaging (HSI) technology to establish a classification model for near geographic origin of Ningxia wolfberries (Zhongning, Guyuan, Tongxin, and Huinong). The denoising auto-encoder (DAE) was used to generate augmented data, then principal component analysis (PCA) was combined with gray level co-occurrence matrix (GLCM) to extract the texture features. Finally, three datasets (HSI, DAE, and texture) were added to the multi-task model. The reshaped data were up-sampled using transposed convolution. After data-sparse processing, the backbone network was imported to train the model. The results showed that the MRes-FCN model exhibited excellent performance, with the accuracies of the full spectrum and optimum characteristic spectrum of 95.54% and 96.43%, respectively. This study has demonstrated that the MRes-FCN model based on Bayesian optimization and DAE data augmentation strategy may be used to identify the near geographical origin of wolfberries.
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 | 0,000 | 0,000 |
| 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 ».