273Chapter 12 A hybrid quantum-classical approach for fruit classification and calorie prediction using machine learning
Notice bibliographique
Résumé
In the evolving field of modern agriculture, the integration of machines and deep learning deep learning techniques, particularly for fruit classification fruit classification , has become increasingly significant due to the diverse characteristics of fruits. Our research makes a substantial contribution by introducing a high-quality dataset dataset of fruit images and conducting numerical experiments to train neural networks for fruit detection. This study explores the motivations behind focusing on fruit classification and the practical applications of the developed classifiers. We evaluated the effectiveness of various models, including convolutional neural networks (CNN) convolutional neural network , ResNet50 ResNet50 , VGG19, and DenseNet201 DenseNet201 , by measuring their performance in terms of loss and accuracy accuracy on both test and validation datasets. The CNN convolutional neural network model outperformed the others, achieving a test loss of 0.1580 and an accuracy of 96.63%, alongside a validation loss of 0.1020 and an accuracy of 97.15%. ResNet50, VGG19, and DenseNet201 also demonstrated promising results, though slightly less accurate than CNN convolutional neural network . These findings underscore the efficacy of these models in precisely categorizing fruits and quantifying their caloric content, signifying substantial progress in agricultural technology and food science. Additionally, the hybrid quantum-classical model hybrid quantum-classical model yielded encouraging outcomes for both objectives, achieving an overall accuracy of 98.2%.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,068 | 0,022 |
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 ».