Determination of spectral resolutions for multispectral detection of apple bruises using visible/near-infrared hyperspectral reflectance imaging
Notice bibliographique
Résumé
This study demonstrates a method to select wavelength-specific spectral resolutions to optimize a line-scan hyperspectral imaging method for its intended use, which in this case was visible/near-infrared imaging-based multiple-waveband detection of apple bruises. Many earlier studies have explored important aspects of developing apple bruise detection systems, such as key wavelengths and image processing algorithms. Despite the endeavors of many, development of a real-time bruise detection system is not yet a simple task. To overcome these problems, this study investigated selection of optimal wavelength-specific spectral resolutions for detecting bruises on apples by using hyperspectral line-scan imaging with the Random Track function for non-contiguous partial readout, with two experimental parts. The first part identified key-wavelengths and the optimal number of key-wavelengths to use for detecting low-, medium-, and high-impact bruises on apples. These parameters were determined by principal component analysis (PCA) and sequential forward selection (SFS) with four classification methods. The second part determined the optimal spectral resolution for each of the key-wavelengths by selecting and evaluating 21 combinations of exposure time and key-wavelength bandwidths, and then selecting the best combination based on the bruise detection accuracies achieved by each classification method. Each of the four classification methods was found to have a different optimized resolution for high accuracy bruise detection, and the optimized resolutions also allowed for use of shorter exposure times. The results of this work can be used to help develop multispectral imaging systems that provide rapid, cost-effective post-harvest processing to identify bruised apples on commercial processing lines.
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 | 0,001 | 0,002 |
| 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 ».