Quality Assessment of Dried White Mulberry (Morus alba L.) Using Machine Vision
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the past decade, the fresh white mulberry (Morus alba L.) fruit has gained growing interest due to its superior health and nutritional characteristics. While white mulberry is consumed as fresh fruit in several countries, it is also popular in dried form as a healthy snack food. One of the main challenges that have prevented a wider consumer uptake of this nutritious fruit is the non-uniformity in its quality grading. Therefore, identifying a reliable quality grading tool can greatly benefit the relevant stakeholders. The present research addresses this need by developing a novel machine vision system that combines the key strengths of image processing and artificial intelligence. Two grades (i.e., high- and low-quality) of white mulberry were imaged using a digital camera and 285 colour and textural features were extracted from their RGB images. Using the quadratic sequential feature selection method, a subset of 23 optimum features was identified to classify samples into two grades using artificial neural networks (ANN) and support vector machine (SVM) classifiers. The developed system under both classifiers achieved the highest correct classification rate (CCR) of 100%. Indeed, the latter approach offered a smaller mean squared error for the training and test sets. The developed model’s high accuracy confirms the machine vision’s suitability as a reliable, low-cost, rapid, and intelligent tool for quality monitoring of dried white mulberry.
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.
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 | 0,001 | 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) | 0,002 | 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 découle