Knowledge graph and deep learning based pest detection and identification system for fruit quality
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
Fruit usually plays a vital role in people's daily life. Many kinds of fruits are rich in vitamins and trace elements, which have high edible value. Pests and diseases are a considerable problem in the process of fruit planting. The quality and quantity of fruit can be effectively improved by the detection and preventing pests and diseases. However, suppose in the process of fruit growth, it is always necessary to manually identify and detect pests and diseases. In that case, it will inevitably consume a lot of workforce and material resources. Therefore, it is advisable to have an automated system to save unnecessary time and effort. This article introduces the detection and identification system of pests and diseases based on Raspberry Pi to identify and detect the pests and diseases of fruit such as Longan and lychee. Firstly, we constructed a knowledge graph of pests and diseases related to lychee and longan. Then, we used the Raspberry Pi to control the camera to capture the pests and diseases images. Next, the system processed and recognized the images captured by the camera. Finally, the Bluetooth speaker broadcasted the results in realtime. We constructed the knowledge graph through data collection, information extraction, knowledge fusion and storage. We trained the vgg-16 model, which achieves 94.9% accuracy in the pests identification task, and we deployed it on a Raspberry Pi.
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 | 0,000 |
| 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 découle