Edge computing-based computer vision and deep transfer learning for high-throughput assessment of Aspergillus flavus infection in crop seeds
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
Manual assessment of toxic fungal infection levels in crop seeds is important for developing antifungal-resistant cultivars, yet it has long been recognized as health-risking and inherently subjective. This study presents an edge computing-based computer vision approach for high-throughput on-site assessment and quantification of Aspergillus flavus infection in crop seeds. The edge computing-based computer vision approach, termed Edge CV, was developed using the Jetson Nano, embedded cameras, and deployed with the proposed Edge CV model to enable intelligent evaluation with constrained computing resources and GPU power. The Edge CV model: First, leveraging semantic segmentation in computer vision tasks to differentiate between A. flavus -infected and uninfected; Second, utilizing post-processing techniques to accurately separate connected peanut seeds while merging segments belonging to the same ones; Third, analyzing and quantifying infection indices, as well as results presentation. Finally, deep transfer learning was employed to validate the model’s transferability for other crop seeds. As a result, Edge CV inference showed agreement with manual measurements (R 2 = 0.901, RMSE = 0.07) and superior consistency, with only a 0.01% fluctuation compared to 4.2% for human assessments. Moreover, Edge CV demonstrated its transferability to other crop seeds, such as maize (R 2 = 0.968, RMSE = 0.13) and rice (R 2 = 0.949, RMSE = 0.26). These results underscore the potential of Edge CV as a transferable solution for assessing toxic fungal infections. The approach developed also offers valuable insights for enhancing proximal machine vision, improving the distinction of adjacent seeds, and enabling more accurate calculation of the infection index.
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