Diagnosing Fungal Infection in Wheat Kernels by Integrating Spectroscopic Technology and Digital Color Imaging System: Artificial Neural Network, Principal Component Analysis and Correlation Feature Selection Techniques
Notice bibliographique
Résumé
ABSTRACT Contamination of cereal grain, especially wheat, with fungal infections can cause significant economic impacts and it endangers the health of humans and livestock. This study aims to appraise the UV/VIS–NIR and digital color (RGB) imaging systems and spectroscopic methodology to detect wheat kernels infected by fungi such as Penicillium expansum and Fusarium graminearum . NIR spectra of 190–1100 nm at 10 nm intervals, visible color reflectance images and non‐visible reflectance images of wheat kernels in the ultraviolet and near‐infrared ranges were applied to develop the multi‐layer perceptron (MLP) artificial neural network model. The optimum wavelengths were selected by application of the principal component analysis (PCA) after preprocessing the raw spectra. A confusion matrix was used in the correlation feature selection method (CFS) for the decision tree classifier of selected features. The results showed that the four UV wavelengths of 310, 330, 400, and 410 nm were the best wavelengths using PCA to distinguish healthy and unhealthy wheat kernels. Considering the intensity of the wavelengths as the neural network inputs, samples were classified into healthy and unhealthy categories with an accuracy of 90.9%. Also, 18 features of color images in RGB, LAB, HSV, HSI, YCbCr, and YIQ spaces provided the highest average accuracy of 44.4% in classifying healthy and infected wheat kernels by using a CCD Proline camera in the ultraviolet range. In contrast, other cameras in the visible and invisible range showed low accuracy. Furthermore, the best classification accuracy of the healthy and infected samples by the use of the CFS method was obtained at 88.1%. Based on the findings, spectroscopic methodology proved to be highly effective for detecting, classifying and automatic cleaning of various agricultural seeds, with a particular emphasis on wheat kernals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».