論文の概要: A Machine Learning Approach for Honey Adulteration Detection using Mineral Element Profiles

• arxiv url: http://arxiv.org/abs/2507.23412v1
• Date: Thu, 31 Jul 2025 10:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.522273
• Title: A Machine Learning Approach for Honey Adulteration Detection using Mineral Element Profiles
• Title（参考訳）: ミネラル要素プロファイルを用いたハニーアダルト検出のための機械学習アプローチ
• Authors: Mokhtar A. Al-Awadhi, Ratnadeep R. Deshmukh,
• Abstract要約: 本稿では,ミツバチのミツバチのミツバチのミツバチのミツバチを識別する機械学習システムを開発することを目的とする。 分類段階においては、ロジスティック回帰、決定木、ランダム森林の3つの教師付きMLモデルを用いて、真正と成体を区別する。 実験により,ミツバチのミツバチのミツバチのミツバチのミツバチ含有量は,ミツバチの成虫の検出に堅牢な識別情報をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper aims to develop a Machine Learning (ML)-based system for detecting honey adulteration utilizing honey mineral element profiles. The proposed system comprises two phases: preprocessing and classification. The preprocessing phase involves the treatment of missing-value attributes and normalization. In the classifica-tion phase, we use three supervised ML models: logistic regression, decision tree, and random forest, to dis-criminate between authentic and adulterated honey. To evaluate the performance of the ML models, we use a public dataset comprising measurements of mineral element content of authentic honey, sugar syrups, and adul-terated honey. Experimental findings show that mineral element content in honey provides robust discriminative information for detecting honey adulteration. Results also demonstrate that the random forest-based classifier outperforms other classifiers on this dataset, achieving the highest cross-validation accuracy of 98.37%.
• Abstract（参考訳）: 本稿では,ミツバチのミツバチのミツバチのミツバチを識別する機械学習(ML)ベースのシステムを開発することを目的とする。 提案システムは,前処理と分類の2段階からなる。 前処理フェーズには、欠落値属性の処理と正規化が含まれる。 分類段階においては、ロジスティック回帰、決定木、ランダム森林の3つの教師付きMLモデルを用いて、真正と成体を区別する。 MLモデルの性能を評価するために, 真性蜂蜜, 糖シロップス, およびアドゥル処理蜂蜜のミネラル元素含有量の測定データを用いた。 実験により,ミツバチのミツバチのミツバチのミツバチのミツバチ含有量は,ミツバチの成虫の検出に堅牢な識別情報をもたらすことが示された。 また、ランダムな森林ベースの分類器は、このデータセットの他の分類器よりも優れており、98.37%のクロスバリデーション精度を達成している。

関連論文リスト

• Honey Adulteration Detection using Hyperspectral Imaging and Machine Learning [0.0]
  我々は,サトウキビによるミツバチの交尾を自動的に検出する機械学習システムを開発した。 提案システムでは, 蜂蜜中の成体形成を全体の96.39%の精度で検出できる。
  論文  参考訳（メタデータ） (2025-07-31T10:41:45Z)
• Classification of Honey Botanical and Geographical Sources using Mineral Profiles and Machine Learning [0.0]
  本稿では,ミネラル元素プロファイルを用いてミツバチの花と地理的資源を識別する機械学習手法を提案する。 6種の植物源と13種のミツバチの地理的起源を識別するために,様々な分類モデルを用いた。 以上の結果から,ミツバチのミツバチのミツバチに含まれるミツバチ成分は,ミツバチの植物学的および地理的資源の分類に有用な識別情報を提供することが示された。
  論文  参考訳（メタデータ） (2025-07-29T17:27:31Z)
• scMEDAL for the interpretable analysis of single-cell transcriptomics data with batch effect visualization using a deep mixed effects autoencoder [6.596656267996196]
  scMEDALはシングルセルミックスエフェクトディープオートエンコーダ学習のためのフレームワークである。 scMEDALはバッチ固有のバリエーションをモデル化しながら、バッチ効果を抑制する。 病気の状態、ドナー群、細胞型のより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2024-11-11T00:10:48Z)
• Unmasking honey adulteration : a breakthrough in quality assurance through cutting-edge convolutional neural network analysis of thermal images [0.0]
  ハニーは、人口の豊かさと国の財政豊かさに重大な影響をもたらす、密通に敏感である。 本稿では、熱画像に基づく蜂蜜の分類に畳み込みニューラルネットワーク(CNN)を用いた新しいアプローチを提案する。 我々は、より合理化され、より複雑でない畳み込みニューラルネットワーク(CNN)モデルを実装した。
  論文  参考訳（メタデータ） (2024-02-12T23:33:22Z)
• IntelliBeeHive: An Automated Honey Bee, Pollen, and Varroa Destructor Monitoring System [0.157286095422595]
  我々は,ハチミツバチのコロニー崩壊障害,ミツバチの行動,個体数減少,群集の健康状態の理解を高めるため,ハチミツバチモニタリングシステムを開発した。 システムは、リアルタイムでデータを提供するハイブの入り口に位置し、ビーキーパーは、アカウントベースのウェブサイトを通じてハイブの活動と健康を綿密に監視することができる。 機械学習を用いることで、ミツバチを正確に追跡し、花粉収集活動を監視し、ミツバチを混乱させることなくバロアミツバチを検出できます。
  論文  参考訳（メタデータ） (2023-09-16T11:13:47Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
  我々はミネラルウールのための視覚品質管理システムを開発した。 ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。 我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
  論文  参考訳（メタデータ） (2022-11-01T13:58:02Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
  本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。 その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
  論文  参考訳（メタデータ） (2021-02-02T09:34:34Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。