Classification of auditory signals from a combine harvester based on Mel-frequency Cepstral coefficients and machine learning.
Notice bibliographique
Résumé
As agricultural machinery moves into the digital era, significant developments in available technology will likely make autonomous farm vehicles more feasible, affordable, and desirable. One of the challenges of effective autonomous vehicle control specific to agriculture is the ability of the vehicle to interpret and adapt to constantly changing conditions. Auditory information is a primary indicator of changing conditions to an in-cab operator, particularly in situations such as detecting mechanical overload in a combine. This paper explores the potential for auditory information to be used in autonomous vehicle control. The sound was recorded at a sampling rate of 48 kHz near the straw chopper of a combine for three different operating modes during the same harvest day. Samples from each clip were segmented and analyzed to extract 31 audio features. Six different feature selection methods ranked the importance of each of the 31 features to identify the features that lead to accurate classification with a minimal number of calculations. These six rankings were assessed by Fagin’s algorithm to yield two features (both mel-frequency cepstral coefficients). Twenty-five distinct machine learning classification methods were evaluated using these two features. Three of these classification methods reached 100% accuracy, and 9 classifiers exceeded an individual success rate of more than 99% using those same features. These feature extraction and classification steps took less than 1 s, assuring that such a classification system could be implemented in real-time.
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 | 0,000 |
| 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 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 ».