Attention-enhanced residual autoencoder for NIR spectral feature extraction and classification of grain varieties

Accurate identification of grain cultivars is critical for improving crop yields, streamlining agricultural workflows, and ensuring global food security. Near-infrared (NIR) spectroscopy offers a rapid, non-destructive solution for grain classification. However, its effectiveness hinges on extractin...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Scientific reports Ročník 15; číslo 1; s. 32750 - 18
Hlavní autoři:	Kabiso, Abel Chernet, Ko, Cheng-Hao
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	London Nature Publishing Group UK 24.09.2025 Nature Publishing Group Nature Portfolio
Témata:	631/449 639/166 639/705 Agricultural practices Attention mechanisms Autoencoder Barley Classification Crop yield Cultivars Data analysis Datasets Deep learning Food security Grain Grain classification Humanities and Social Sciences Infrared spectroscopy Machine learning multidisciplinary Neural networks PCA Performance evaluation Portable NIR spectroscopy Science Science (multidisciplinary) Smartphones Sorghum Spectrometers Spectrum analysis Wavelet transforms Grain classification Attention mechanisms Autoencoder Portable NIR spectroscopy PCA
ISSN:	2045-2322, 2045-2322
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!