Smart Edge Computing Framework for Real-Time Brinjal Harvest Decision Optimization
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
Modernizing and mechanizing agriculture are vital to increasing productivity and meeting the growing global food demand. Timely harvesting decisions, traditionally based on farmers’ experience, are crucial for crop management. This study introduces the Brinjal Harvesting Decision System (BHDS), an automated, real-time framework designed to optimize harvesting decisions using a portable, low-power edge computing device. Unlike conventional object detection models, which require substantial pre-training and curated datasets, the BHDS integrates automated data acquisition and dynamic image quality assessment, enabling effective operation with minimal data input. Tested on diverse farm layouts, the BHDS achieved 95.53% accuracy in data collection and captured quality images within an average of 3 s, reducing both time and energy for dataset creation. The brinjal detection algorithm employs pixel-based methods, including background elimination, K-means clustering, and symmetry testing for precise identification. Implemented on a portable edge device and tested in actual farmland, the system demonstrated 79% segmentation accuracy, 87.48% detection precision, and an F1-score of 87.53%, with an average detection time of 3.5 s. The prediction algorithm identifies ready-to-harvest brinjals with 89.80% accuracy in just 0.029 s. Moreover, the system’s low energy consumption, operating for over 7 h on a 10,000 mAh power bank, demonstrates its practicality for agricultural edge applications. The BHDS provides an efficient, cost-effective solution for automating harvesting decisions, minimizing manual data processing, reducing computational overhead, and maintaining high precision and operational efficiency.
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 | 0,000 | 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 découle