Quality Control of Thermally Modified Western Hemlock Wood Using Near-Infrared Spectroscopy and Explainable Machine Learning
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
The quality control of thermally modified wood and identifying heat treatment intensity using nondestructive testing methods are critical tasks. This study used near-infrared (NIR) spectroscopy and machine learning modeling to classify thermally modified wood. NIR spectra were collected from the surfaces of untreated and thermally treated (at 170 °C, 212 °C, and 230 °C) western hemlock samples. An explainable machine learning approach was practiced using a TreeNet gradient boosting machine. No dimensionality reduction was performed to better explain the feature ranking results obtained from the model and provide insight into the critical wavelengths contributing to the performance of classification models. NIR spectra in the ranges of 1100-2500 nm, 1400-2500 nm, and 1700-2500 nm were fed into the TreeNet model, which resulted in classification accuracy values (test data) of 94.35%, 89.29%, and 84.52%, respectively. Feature ranking analysis revealed that when using the range of 1100-2500 nm, the changes in wood color resulted in the highest variation in NIR reflectance amongst treatments. As a result, associated features were given higher importance by TreeNet. Limiting the wavelength range increased the significance of features related to water or wood chemistry; however, these predictive models were not as accurate as the one benefiting from the impact of wood color change on the NIR spectra. The developed framework could be applied to different applications in which NIR spectra are used for wood characterization and quality control to provide improved insights into selected NIR wavelengths when developing a machine learning model.
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 | 0,000 |
| 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 découle