Prediction of Apple Quality Indicators Under Different Bagging Treatments Using Hyperspectral Imaging Integrated With a Stacking SDAE‐PLSR‐RR Deep Learning Model
Notice bibliographique
Résumé
ABSTRACT The color indices (L*, a*, and b*) and soluble solids content (SSC) serve as essential quality indicators for apples, yet conventional destructive detection methods lack the efficiency required for rapid sorting of apples with varied bagging treatments. To address this limitation, this study proposes a novel stacking model, termed SDAE‐PLSR‐RR, which integrates hyperspectral imaging with deep learning. Hyperspectral imaging comprehensively captured spectral‐spatial features from 307 Fuji apples subjected to three bagging treatments (non‐bagged, mesh‐bagged, and paper‐bagged), enabling systematic analysis of quality‐related characteristics. The SDAE‐PLSR‐RR employs a stacked structure where two parallel, base‐level expert models capture complementary features: one Partial Least Squares Regression (PLSR) model processes linear trends in original wavelengths data, while the other analyzes non‐linear deep features from a Stacked Denoising Autoencoder (SDAE). A top‐level Ridge Regression (RR) model then acts as a meta‐learner to fuse the predictions from these two base models, generating a final, more robust output. The integrated SDAE‐PLSR‐RR model achieved enhanced prediction accuracy for all quality indicators (R 2 p > 0.84), outperforming full‐spectrum (R 2 p > 0.73) and feature‐wavelength‐based models (R 2 p > 0.75). The experimental findings validated the applicability and efficacy of integrating hyperspectral imaging systems with neural network models for non‐destructive detection of the quality indicators of apples with different bagging treatments.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».