Development of Classification Method for Determining Chicken Egg Quality Using GLCM-CNN Method
Notice bibliographique
Résumé
Eggs are widely consumed due to their high content of vitamin B12, choline and iron.External factors can be detected by observing the eggshell or taken into consideration.The nutrition in eggs is influenced by egg quality, which can be directly observed from the shell.If the shell is cracked, it can be inferred that the egg has poor quality because Salmonella bacteria are dangerous pathogens that can enter the egg.The current issue lies in the complexity and inefficiency of individually classifying eggs by workers, as it is a complicated, time-consuming, frustrating, and inefficient task.Therefore, it is important to separate them automatically.The selection of cracked and intact eggs in this research is an innovative approach to classification using a highly accurate machine learning method.The application of the GLCM-CNN method is an innovative strategy employed for selecting and classifying cracked eggs, as outlined in this research.VGG 19, one of the computational methods, is utilized as a comparative method alongside RESNET 50 and VGG 16.The GLCM-CNN algorithm in this research employed 1,000 images for each class, with a validation set of 20% for each class, resulting in an accuracy of 98%.The inefficient classification process and complexity of automated egg quality classification can be significantly addressed through the findings presented in this research.
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 | 0,002 | 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 | 0,002 |
| 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 ».