Identification of land and water Centella asiatica leaf herbal plants using digital imagery with the Sobel Edge Detection algorithm
Notice bibliographique
Résumé
Centella asiatica leaves or gotu kola leaves are wild plants that grow in Asian countries such as China, Indonesia, Japan and India. Since thousands of years ago, this gotu kola leaf has been known to treat various diseases. This plant is even used as a traditional herbal medicine in China and India. Centella asiatica is an annual herbaceous plant that grows and flowers throughout the year. Plants will thrive if the soil and environment are suitable to be used as a ground cover. Types of gotu kola that are often found are red gotu kola and green gotu kola. Centella asiatica is also known as antanan taman or antanan batu because it is found in rocky, dry and open areas. Centella asiatica grows with stolons and has no stems, but has rhizomes (short rhizomes). Meanwhile, green gotu kola is often found in rice fields and on the sidelines of the grass. Based on this problem, a study is needed to develop a system to determine the shape of leaf fiber density with a comparison of ground gotu kola and water gotu kola using image processing techniques to find the diameter. This measurement process uses the Matlab application and tests with the Sobel edge detection method and image processing to see edges that are more clearly visible. The results showed that the developed system was capable of obtaining images and identifying the fiber density of Centella asiatica leaves. The system was designed with Jupyter Notebook Python-based programming language analysis with image data taken via internet sources as research material.
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 ».