Automatic classification of the phenotype textures of three <i>Thunnus</i> species based on the machine learning SVM algorithm
Notice bibliographique
Résumé
Tuna resources are an important part of China's pelagic fishery production. However, for China's tuna fishery, tuna species caught at sea are still manually classified, which is a time-consuming and inefficient process; so China's tuna fishery needs to develop toward automation. This study uses gray-level co-occurrence matrix (GLCM) and VGG16 to visualize phenotypic texture through local images of three Thunnus species. At the same time, texture feature index data (TFD), deep feature data (DFD), and their combined feature data (CFD) are obtained from texture images. Support vector machine (SVM) with different kernel functions is used to classify phenotypic texture of tuna automatically. The study shows that visualized texture images of different tuna using GLCM and VGG16 have biological characteristics. In the classification results without cross-validation, the average classification accuracy of TFD in polynomial was 83%, the average classification accuracy of DFD in RBF (Radial basis function) was 93%, and the average classification accuracy of CFD in RBF was 95%. It is concluded that tuna phenotype texture can be efficiently classified by using SVM with different kernel functions.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».