Terahertz spectra reconstructed using convolutional denoising autoencoder for identification of rice grains infested with Sitophilus oryzae at different growth stages
Notice bibliographique
Résumé
Rice grains are often infected by Sitophilus oryzae due to improper storage, resulting in quality and quantity losses. The efficacy of terahertz time-domain spectroscopy (THz-TDS) technology in detecting Sitophilus oryzae at different stages of infestation in stored rice was employed in the current research. Terahertz (THz) spectra for rice grains infested by Sitophilus oryzae at different growth stages were acquired. Then, the convolutional denoising autoencoder (CDAE) was used to reconstruct THz spectra to reduce the noise-to-signal ratio. Finally, a random forest classification (RFC) model was developed to identify the infestation levels. Results showed that the RFC model based on the reconstructed second-order derivative spectrum with an accuracy of 84.78%, a specificity of 86.75%, a sensitivity of 86.36% and an F1-score of 85.87% performed better than the original first-order derivative THz spectrum with an accuracy of 89.13%, a specificity of 91.38%, a sensitivity of 88.18% and an F1-score of 89.16%. In addition, the convolutional layers inside the CDAE were visualized using feature maps to explain the improvement in results, illustrating that the CDAE can eliminate noise in the spectral data. Overall, THz spectra reconstructed with the CDAE provided a novel method for effective THz detection of infected grains.
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 | 0,001 |
| 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 ».