Interpretation of Hyperspectral Images Using Integrated Gradients to Detect Bruising in Lemons
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
Lemons are a popular citrus fruit known for their medicinal and nutritional properties. However, fresh lemons are vulnerable to mechanical damage during transportation, with bruising being a common issue. Bruising reduces the fruit’s shelf life and increases the risk of bacterial and fungal contamination, leading to economic losses. Furthermore, discoloration typically occurs after 24 h, so it is crucial to detect bruised fruits promptly. This paper proposes a novel method for detecting bruising in lemons using hyperspectral imaging and integrated gradients. A dataset of hyperspectral images was captured in the wavelength range of 400–1100 nm for lemons that were sound and artificially bruised (8 and 16 h after bruising), with three distinct classes of images corresponding to these conditions. The dataset was divided into three subsets i.e., training (70%), validation (20%), and testing (10%). Spatial–spectral data were analyzed using three 3D-convolutional neural networks: ResNetV2, PreActResNet, and MobileNetV2 with parameter sizes of 242, 176, and 9, respectively. ResNetV2 achieved the highest classification accuracy of 92.85%, followed by PreActResNet at 85.71% and MobileNetV2 at 83.33%. Our results demonstrate that the proposed method effectively detects bruising in lemons by analyzing darker pixels in the images, subsequently confirming the presence of bruised areas through their spatial distribution and accumulation. Overall, this study highlights the potential of hyperspectral imaging and integrated gradients for detecting bruised fruits, which could help reduce food waste and economic losses.
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 | 0,002 |
| 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