論文の概要: Honey Adulteration Detection using Hyperspectral Imaging and Machine Learning

• arxiv url: http://arxiv.org/abs/2507.23416v1
• Date: Thu, 31 Jul 2025 10:41:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.524791
• Title: Honey Adulteration Detection using Hyperspectral Imaging and Machine Learning
• Title（参考訳）: ハイパースペクトルイメージングと機械学習を用いたハニーアダルト検出
• Authors: Mokhtar A. Al-Awadhi, Ratnadeep R. Deshmukh,
• Abstract要約: 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。
• 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-based system for automatically detecting honey adulteration with sugar syrup, based on honey hyperspectral imaging data. First, the floral source of a honey sample is classified by a botanical origin identification subsystem. Then, the sugar syrup adulteration is identified, and its concentration is quantified by an adulteration detection subsystem. Both subsystems consist of two steps. The first step involves extracting relevant features from the honey sample using Linear Discriminant Analysis (LDA). In the second step, we utilize the K-Nearest Neighbors (KNN) model to classify the honey botanical origin in the first subsystem and identify the adulteration level in the second subsystem. We assess the proposed system performance on a public honey hyperspectral image dataset. The result indicates that the proposed system can detect adulteration in honey with an overall cross-validation accuracy of 96.39%, making it an appropriate alternative to the current chemical-based detection methods.
• Abstract（参考訳）: 本研究の目的は, 蜂蜜の高スペクトル画像データに基づいて, 糖シロップによる蜂蜜の成虫を自動的に検出する機械学習システムを開発することである。 まず、蜂蜜サンプルの花源は、植物起源同定サブシステムによって分類される。 そして、糖シロップアベレレーションを特定し、その濃度をアベレレーション検出サブシステムにより定量する。 両方のサブシステムは2つのステップから構成される。 最初のステップは、LDA(Linear Discriminant Analysis)を使用して蜂蜜サンプルから関連する特徴を抽出することである。 第2段階では、K-Nearest Neighbors(KNN)モデルを用いて、第1サブシステムにおける蜂蜜の起源を分類し、第2サブシステムにおける成体化レベルを特定する。 提案したシステムの性能を,公開蜂蜜ハイパースペクトル画像データセットを用いて評価する。 以上の結果から,本システムは蜂蜜中のアマステレーションを96.39%の精度で検出できることが示唆された。

関連論文リスト

• Detection of Adulteration in Coconut Milk using Infrared Spectroscopy and Machine Learning [0.0]
  赤外分光法によるココナッツ乳の成体化検出システムを提案する。 提案システムは,前処理,特徴抽出,分類の3段階からなる。 提案手法は, 交叉検証精度93.33%で密通検出に成功している。
  論文  参考訳（メタデータ） (2025-07-31T10:44:36Z)
• A Machine Learning Approach for Honey Adulteration Detection using Mineral Element Profiles [0.0]
  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。
  論文  参考訳（メタデータ） (2025-07-31T10:36:58Z)
• 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)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Vision-based Xylem Wetness Classification in Stem Water Potential Determination [8.597874067545233]
  この研究は、スコランダー圧力室を用いた茎検出とキシレム湿性分類の自動化に焦点を当てた。 目的は、茎の検出を洗練し、キシレムにおける水の出現をよりよく分類するためのコンピュータビジョンベースの方法を開発することである。 YOLOv8nによる学習ベース幹細胞検出とResNet50に基づく分類の組み合わせにより、トップ1の精度は80.98%に達した。
  論文  参考訳（メタデータ） (2024-09-24T19:24:04Z)
• Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
  敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。 分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。 実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2024-08-12T02:48:00Z)
• 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)
• 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)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。