Identification and Classification of Snack-Type Watermelon (Citrullus lanatus) Genotypes Using Seed Morphology and Machine Learning Techniques
Notice bibliographique
Résumé
). Nine genotypes with red, white, and black seed coats were assessed in total. For each genotype, 200 seeds were analyzed using high-resolution imaging and digital measurement techniques for the extraction of morphological characteristics (length, width, thickness, area, perimeter, equivalent diameter, etc., and physical (weight) and colorimetric attributes of the (L, a, b). The resulting dataset was modeled using Artificial Neural Network (ANN), Random Forest (RF) and Extra Tree (ET) algorithms and performance was validated by a 10-fold cross-validation. The primary objective of the study was to match (identify) each seed accurately with its respective genotype by using the morphological, physical, and colorimetric characteristics of the seed and thus to perform genotypic classification. The comparative results showed that the RF model had the highest genotypic performance (accuracy 92.22%, F1-score 91.87%, Cohen's Kappa 0.9118), followed by the ET (accuracy, 90.00%) and ANN models with a relatively lower precision (86.11%). Statistical analysis using the Wilcoxon signed-rank test confirmed that both RF and ET significantly outperformed ANN, with RF providing superior balance and stability over ET. The findings highlight that machine learning-based frameworks enable rapid, reliable, and non-destructive classification (identification) of snack-type watermelon seeds according to their genotypes. Such approaches hold strong potential for enhancing varietal traceability in breeding programs, improving quality control in commercial seed production, and meeting the high-throughput demands of seed processing industries.
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 ».