Fugu-MT 論文翻訳(概要): Detection of Adulteration in Coconut Milk using Infrared Spectroscopy and Machine Learning

論文の概要: Detection of Adulteration in Coconut Milk using Infrared Spectroscopy and Machine Learning

arxiv url: http://arxiv.org/abs/2507.23418v1
Date: Thu, 31 Jul 2025 10:44:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-01 17:19:09.605935
Title: Detection of Adulteration in Coconut Milk using Infrared Spectroscopy and Machine Learning
Title（参考訳）: 赤外分光法と機械学習によるココナッツ乳の成体検出
Authors: Mokhtar A. Al-Awadhi, Ratnadeep R. Deshmukh,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose a system for detecting adulteration in coconut milk, utilizing infrared spectroscopy. The machine learning-based proposed system comprises three phases: preprocessing, feature extraction, and classification. The first phase involves removing irrelevant data from coconut milk spectral signals. In the second phase, we employ the Linear Discriminant Analysis (LDA) algorithm for extracting the most discriminating features. In the third phase, we use the K-Nearest Neighbor (KNN) model to classify coconut milk samples into authentic or adulterated. We evaluate the performance of the proposed system using a public dataset comprising Fourier Transform Infrared (FTIR) spectral information of pure and contaminated coconut milk samples. Findings show that the proposed method successfully detects adulteration with a cross-validation accuracy of 93.33%.
Abstract（参考訳）: 本稿では,ココナッツ乳の赤外分光法を用いたアベレーション検出システムを提案する。機械学習に基づく提案システムは,前処理,特徴抽出,分類の3段階からなる。第1フェーズでは、ココナッツ乳のスペクトル信号から無関係なデータを除去する。第2段階では、最も識別性の高い特徴を抽出するために線形判別分析(LDA)アルゴリズムを用いる。第3段階ではK-Nearest Neighbor(KNN)モデルを用いてココナッツ乳サンプルを真正または成体に分類する。汚染されたココナッツ乳サンプルのフーリエ変換赤外(FTIR)スペクトル情報を含むパブリックデータセットを用いて,提案システムの性能評価を行った。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。

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 colorectal primer carcinoma from normal colon with mid-infrared spectra [0.0]
組織コアあたり数千のスペクトルを測定するために,ホルマリン固定パラフィン埋め込み(FFPE)組織サンプルを用いた。分類にはランダムフォレスト,サポートベクターマシン,XGBoost,線形判別分析法を用いた。
論文参考訳（メタデータ） (2024-03-22T16:16:03Z)
Novelty Detection on Radio Astronomy Data using Signatures [5.304803553490439]
SigNovaは、ストリームデータ中の異常を検出するための、新しい半教師付きフレームワークである。我々は、シグネチャ変換を用いて観測シーケンスから統計の標準的コレクションを抽出する。各特徴ベクトルは、RFIフリートレーニングセットにおいて、マハラノビスから隣人への距離として計算されたノベルティスコアが割り当てられる。
論文参考訳（メタデータ） (2024-02-22T14:13:44Z)
StereoDistill: Pick the Cream from LiDAR for Distilling Stereo-based 3D Object Detection [93.10989714186788]
ステレオ法とLiDAR法とのギャップを狭めるため,StereoDistillというクロスモーダル蒸留法を提案する。 StereoDistillの主な設計は、回帰のためのX-component Guided Distillation(XGD)と分類のためのCLD(Cross-anchor Logit Distillation)である。
論文参考訳（メタデータ） (2023-01-04T13:38:48Z)
Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
論文参考訳（メタデータ） (2022-09-15T18:00:08Z)
Low-complexity deep learning frameworks for acoustic scene classification [64.22762153453175]
音響シーン分類(ASC)のための低複雑さ深層学習フレームワークを提案する。提案するフレームワークは、フロントエンドのスペクトログラム抽出、オンラインデータ拡張、バックエンドの分類、予測される確率の後期融合の4つの主要なステップに分けることができる。 DCASE 2022 Task 1 Development データセットで実施した実験は,低複雑さの要求を十分に満たし,最も高い分類精度を 60.1% で達成した。
論文参考訳（メタデータ） (2022-06-13T11:41:39Z)
An Attention-based Method for Action Unit Detection at the 3rd ABAW Competition [6.229820412732652]
本稿では,2022年の第3回ABAW(Affective Behavior Analysis in-the-Wild)コンテストへの参加について述べる。映像中の顔の動きを検知する手法を提案する。 ABAWチャレンジ検証セットのマクロF1スコアは0.48であり,ベースラインモデルでは0.39であった。
論文参考訳（メタデータ） (2022-03-23T14:07:39Z)
Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
論文参考訳（メタデータ） (2022-01-09T05:55:47Z)
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)
Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
論文参考訳（メタデータ） (2021-03-23T08:19:21Z)
A Novel Approach to Radiometric Identification [68.8204255655161]
本稿では,CAPoNeFの特徴工学的手法を用いて,高精度なラジオメトリック同定が可能であることを実証する。 SDRで収集した実験データに基づいて,基本的なML分類アルゴリズムを検証した。
論文参考訳（メタデータ） (2020-12-02T10:54:44Z)

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。