Application of machine vision in drying process modeling of carrot slices
Notice bibliographique
Résumé
In this current research, the drying characteristics of carrot slices dried in a convective hot-air dryer are analyzed employing image analysis to determine the most significant factor. From the acquired images, nine parameters viz. redness (R), greenness (G), blueness (B), lightness (L), redness (a), yellowness (b), energy, entropy, and upper surface area of carrot slices were calculated using the algorithm developed in MATLAB 2015a. Boruta feature selection algorithm in the R console showed lightness, redness, and energy were the most significant features among calculated parameters. Additionally, single-layer feed-forward artificial neural network (ANN) architecture with three inputs (hot air temperature, thickness of slices, drying time), and outputs namely lightness, redness, and energy with one hidden layer was used to model input variables to that of responses. Multiple regression models are employed to optimize the drying condition by further assessing the behavior of response variables with hot air temperature and thickness of slices as inputs and lightness, redness, and energy as outputs. The lightness and redness of samples are found to be decreasing with an increase in temperature and a decrease in thickness. Whereas, the effect of these input parameters on energy, the measure of homogeneity of the product surface, is found to be reversed to that of the effect on lightness and redness. Lightness and redness are set to be highest, whereas energy was kept to be lowest. Convective hot air temperature of 60 ℃ and 7 mm thickness sample was found to provide the best quality product within the experiment range.
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 ».