An Integrative Approach for Mineral Nutrient Quantification in Dioscorea Leaves: Uniting Image Processing and Machine Learning
Notice bibliographique
Résumé
Dioscorea, lauded for its environmental sustainability and versatility, is pivotal in various industries, ranging from food to medicine.The significant yields it offers, coupled with low cultivation inputs and substantial nutritional benefits -including high protein content and minimal sugar levels, necessitate precision in yield predictions and growth management.This, in turn, fosters the evolution of mechanized agriculture and automation.To address this need, a novel methodology amalgamating digital image processing and machine learning algorithms has been established to accurately determine the mineral nutrient content in Dioscorea leaves.This methodology initiates with the separation of the foreground and background in leaf images, achieved through the implementation of the H-component OTSU algorithm.Subsequently, the computation of 54 color features is carried out, and machine learning techniques are harnessed to form models that delineate image features in correlation with a SPAD value exceeding 0.9.The aspiration of this model development lies in the prediction of chlorophyll, nitrogen, phosphorus, and potassium content in Dioscorea leaves.It has been determined that the Multilayer Perceptron (MLP), post 100 iterations, constructs the most accurate model for predicting SPAD content in Dioscorea nipponica.In terms of nitrogen content prediction, a regression model exploiting the SL characteristic has been discovered to be optimal, demonstrating an R2 of 0.850.For phosphorus, a model incorporating the NRI characteristic has yielded an R2 of 0.819, affirming its efficacy.Meanwhile, potassium content prediction has been found to be most precise with a model centered on the Sb characteristic, as evidenced by an achieved R2 of 0.865.This cuttingedge methodology can significantly advance the agricultural sector, particularly in the realm of mechanized agriculture and automation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».