In-vivo classification of THC and CBD contents in cannabis plants using hand-handled Raman spectrometer
Notice bibliographique
Résumé
We present an innovative approach to the in-vivo classification of THC/CBD-rich<br/>cannabis plants through a novel miniaturization strategy for Raman spectroscopy. By<br/>developing compact Raman spectrometers that utilize patented technology based on cheap<br/>non-stabilized laser diodes, densely-packed optics, and small pixel size sensors without<br/>cooling, the study achieves performance comparable to more expensive, research-grade<br/>systems. This miniaturization is facilitated by real-time calibration of Raman shift and<br/>intensity using a built-in reference channel. The miniRaman spectrometer effectively<br/>records high-quality Raman spectra of fresh cannabis and its products without the need for<br/>sample or environment preparation, identifying characteristic peaks of primary<br/>phytocannabinoids such as THC, CBD, and CGB and avoiding time-consuming HPLC<br/>analysis.<br/>Through spectral deconvolution and chemometrics, quantitative analysis becomes<br/>possible, significantly reducing the influence of fluorescence for more precise analysis [1].<br/>The application of this technology allows for the identification of THC or CBD-rich plants<br/>with a high accuracy rate of 92%, demonstrating the potential of Raman spectroscopy<br/>aided by machine learning for rapid, non-destructive cannabis classification.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».