Evaluation of Machine Learning Techniques for Image Based Quality Assessment of Chickpea
Notice bibliographique
Résumé
The quality of chickpea plays an important role to the farmers, processors, consumers, and other stakeholders. At present, the procedures for evaluating chickpea quality parameters are subjective, tedious, and destructive. The objective of this study was to develop non-destructive imaging techniques to determine chickpea quality. Eight chickpea varieties (CDC-Alma, CDC-Leader, CDC-Palmer, CDC-Frontier, CDC-Luna, CDC-Orion, CDC-Cory, CDC-Consul) were obtained from the Crop Development Centre, University of Saskatchewan and used in this research. The classification of chickpea varieties using RGB images was investigated with seven pre-trained deep convolutional neural networks (CNN) (AlexNet, GoogleNet, ResNet18, ResNet50, VGG16, VGG19, and MobileNetV2) and transfer learning. The highest overall classification accuracy of 100% was obtained for ResNet50 and MobileNetV2. The protein content in single chickpea seed for the eight varieties were predicted with hyperspectral images and chemometrics. The optimum model was developed using Partial Least Square Regression (PLSR) which yielded Correlation Coefficient of Prediction (R2p) and Root Mean Square Error of Prediction (RMSEP) values of 0.935 and 0.987. Iteratively Retaining Informative Variables (IRIV) selected wavelengths with Support Vector Machines Regression (SVMR) provided the best model with R2p and RMSEP of 0.950 and 0.857. The classification of chickpeas into hard to cook (HTC) and easy to cook (ETC- \ncontrol) was carried out using hyperspectral images. Chickpeas develop HTC defect under suboptimal storage conditions resulting in extended cooking times. Support Vector Classifier (SVC) and Convolutional Neural Network-Attention (CNN-ATT) models demonstrated 100% accuracy for classifying chickpeas into HTC and ETC. IRIV selected wavelengths with SVC model yielded 100% classification accuracy. The adulteration in chickpea flour with metanil yellow was quantified with near infrared hyperspectral imaging system (NIR-HSI). Pure chickpea flour was adulterated with metanil yellow at various concentrations up to 2% (w/w). PLSR yielded a model with R2p and RMSEP values of 0.978 and 0.054 whereas One Dimensional (1D)-CNN produced a model with R2 and RMSEP of 0.992 and 0.059 for quantifying the adulterant. IRIV selected wavelengths with PLSR yielded the best model with R2 and RMSEP of 0.989 and 0.041. This research demonstrated the potential of NIR-HSI and RGB imaging systems for non-destructive and rapid determination of chickpea quality.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».