Classification of Aflatoxin B1 Contamination Level Using Hyperspectral Images with Random Forest and QDA
Notice bibliographique
Résumé
Almonds are widely accepted nuts due to their taste and healthy nutrition, but they are also susceptible to aflatoxin B1. The current aflatoxin B1 detection method for almonds is destructive, labor intensive, costly, and has sampling problems. Therefore, this study investigates the feasibility of classifying aflatoxin B1 contaminated almonds using hyperspectral images in a non-destructive way for industrial quality control applications. In this experiment, almonds are artificially contaminated at different concentration levels in a laboratory and used as reference levels. The reference level and the mean hyperspectral image were used to develop a random forest (RF) and quadratic discriminant analysis (QDA) classifier. The minimum redundancy maximum relevance (mRMR) feature selection algorithm was introduced to find the most relevant feature spectral set, which was used to develop multispectral classification models for industrial quality control applications. The full spectrum RF classifier achieved 96.37% cross-validation accuracy for standard normal variance (SNV) with 1<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">st</sup> derivative data and QDA achieved 91.71% accuracy for Savitzky-Golay (SG) with 1<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">st</sup> derivative data. The experimental result demonstrates that the hyperspectral images coupled with the machine learning classifier have a great potential to classify aflatoxin B1 contaminated almonds for industrial 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 ».