Segmentation Algorithm K – Means Based On The Maturity Level Of Blueberries
Notice bibliographique
Résumé
Traditionally, farmers and consumers have determined the ripeness of blueberries by manual means, such as observing the color, pores, and skin of blueberry fruits. Such recognition takes a relatively long time and gives rise to different levels of maturity because people have visual limitations in recognition, fatigue levels and differences of opinion about good maturity. Consumers tend to pay attention to aspects such as the striking color and size of blueberries, but do not know how ripe and nutritious the fruit is for consumption. Several image processing techniques were used in this study, including image segmentation for segmentation based on color features, expansion and contraction operations to remove noise, and naming fruit objects using recursive component labeling methods. This is followed by separation and training of geometric features and colors. At the time of testing, a classification of the degree of maturity and type of fruit of the object is carried out. To more accurately identify the degree of ripeness of the fruit, check the geometric features and characteristic values of the color content. Range values are determined by statistical methods such as mean and standard deviation. Using the K-Means algorithm to segment blueberry imagery, the study aimed to develop an efficient method to distinguish blueberry ripeness levels automatically. It can help classify and group blueberries according to their degree of maturity. In addition, the results of this study can also be used for quality control of blueberries in the agricultural industry or for fruit marketing applications.
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 | 0,000 |
| 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 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 ».