Visible/near-infrared hyperspectral imaging combined with machine learning for identification of ten Dalbergia species
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
Introduction: species, which are threatened by illegal logging. Effective identification methods are crucial for ecological conservation, biodiversity preservation, and the regulation of the timber trade. Methods: We integrate Visible/Near-Infrared (Vis/NIR) Hyperspectral Imaging (HSI) with advanced machine learning techniques to enhance the precision and efficiency of wood species identification. Our methodology employs various modeling approaches, including Principal Component Analysis (PCA), Partial Least Squares Discriminant Analysis (PLS-DA), Support Vector Machine (SVM), and Convolutional Neural Networks (CNN). These models analyze spectral data across Vis (383-982 nm), NIR (982-2386 nm), and full spectral ranges (383 nm to 2386 nm). We also assess the impact of preprocessing techniques such as Standard Normal Variate (SNV), Savitzky-Golay (SG) smoothing, normalization, and Multiplicative Scatter Correction (MSC) on model performance. Results: With optimal preprocessing, both SVM and CNN models achieve 100% accuracy across NIR and full spectral ranges. The selection of an appropriate wavelength range is critical; utilizing the full spectrum captures a broader array of the wood's chemical and physical properties, significantly enhancing model accuracy and predictive power. Discussion: These findings underscore the effectiveness of Vis/NIR HSI in wood species identification. They also highlight the importance of precise wavelength selection and preprocessing techniques to maximize both accuracy and cost-efficiency. This research contributes substantially to ecological conservation and the regulation of the timber trade by providing a reliable, non-destructive method for identifying threatened wood species.
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 | 0,001 | 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 | 0,001 |
| 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