Performance Evaluation of Pre-Processing and Pre-Treatment Algorithm for Near-Infrared Spectroscopy Signals: Case Study pH of Intact Mango “Arumanis”
Notice bibliographique
Résumé
pH is one of the important physical parameters to characterize mango damage because it can indicate changes in the structure and chemical content of the fruit. Thus, the present work evaluated the possibility of NIRs as a rapid and non-destructive tool for measuring the pH properties of intact mango from the cultivar "Arumanis" (Mangifera indica L.) using several algorithms for pre-processing, pre-treatment, and prediction. Three different algorithm predictions, namely principal component regression (PCR), partial least squares regression (PLSR), and support vector machine regression (SVMR), were used and compared to predict the pH of mangos. A total of 16 pre-processing and pre-treatment algorithms are used to support algorithm prediction, and the results are also compared with the raw data spectra. The NIR spectral data used range from 1000 to 2500 nm. Algorithm performance will be evaluated using RMSE, error differences and concluded using RPD. The results show that the prediction of the PLSR algorithm can be performed with an RPD of 8.17, which is more significant than the PCR and SVMR algorithms, which are 1.04, and 1.90, respectively. To support this, pre-processing and pretreatment of the second derivative Savitzky–Golay is the best algorithm that can be used to predict the pH of the whole mango cultivar "Arumanis".
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
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 ».