Enhancing Yam Quality Detection through Computer Vision in IoT and Robotics Applications
Notice bibliographique
Résumé
Abstract This study introduces a comprehensive framework aimed at automating the process of detecting yam tuber quality attributes. This is achieved through the integration of Internet of Things (IoT) devices and robotic systems. The primary focus of the study is the development of specialized computer codes that extract relevant image features and categorize yam tubers into one of three classes: "Good," "Diseased," or "Insect Infected." By employing a variety of machine learning algorithms, including tree algorithms, support vector machines (SVMs), and k-nearest neighbors (KNN), the codes achieved an impressive accuracy of over 90% in effective classification. Furthermore, a robotic algorithm was designed utilizing an artificial neural network (ANN), which exhibited a 92.3% accuracy based on its confusion matrix analysis. The effectiveness and accuracy of the developed codes were substantiated through deployment testing. Although a few instances of misclassification were observed, the overall outcomes indicate significant potential for transforming yam quality assessment and contributing to the realm of precision agriculture. This study is in alignment with prior research endeavors within the field, highlighting the pivotal role of automated and precise quality assessment. The integration of IoT devices and robotic systems in agricultural practices presents exciting possibilities for data-driven decision-making and heightened productivity. By minimizing human intervention and providing real-time insights, the study approach has the potential to optimize yam quality assessment processes. Therefore, this study successfully demonstrates the practical application of IoT and robotic technologies for the purpose of yam quality detection, laying the groundwork for progress in the agricultural sector.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».