Classification of radioxenon spectra with deep learning algorithm

Azimi, Sepideh Alsadat; Afarideh, H.; Chai, Jong‐Seo; Kalinowski, Martin; Gheddou, Abdelhakim; Hofman, Radek

doi:10.1016/j.jenvrad.2021.106718

Cited by 7 publications

(4 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Conforme observado por [30] um pequeno número de entradas de treinamento tende a conduzir o modelo de classificação ao sobreajuste (do inglês overfitting), isto é, um ajuste excessivo ao conjunto de treinamento, prejudicando a acurácia na classificação das novas entradas. Na aprendizagem de máquina, o sobreajuste é um comportamento indesejável que ocorre quando a rede neural artificial fornece previsões precisas para dados de treinamento, mas não para novos dados [32].…”

Section: Problemas Com Sobreajuste (Overfitting)unclassified

Detecção de sigatoka amarela em folhas de banana com redes neurais convolucionais (CNN) e aprendizagem por transferência profunda (DTL)

Silva,

Nogueira,

Cruz Júnior

et al. 2024

OLEL

View full text Add to dashboard Cite

A Sigatoka amarela representa uma ameaça considerável à produção de bananas, resultando em perdas substanciais na produção. A aplicação de técnicas de aprendizado profundo e de máquina pode ser uma possível solução para a identificação deste patógeno de forma automática. Neste sentido, este estudo objetiva-se a detectar a presença da Sigatoka Amarela por meio da extração de características em imagens, utilizando redes neurais convolucionais profundas integrando a transferência de aprendizado. A metodologia empregada compreende um conjunto de dados composto por 6.788 imagens de folhas, sendo 941 afetadas pela doença e 981 saudáveis. No processo de pré-processamento, aplicaram-se técnicas de correção, ajustes, aumento artificial de dados, redimensionamento, transformação e filtragem. Foram testadas diferentes arquiteturas convolucionais, incluindo MobileNetV2, Inception-V3, Xception, VGG-16, ResNet50, Inception-ResNet-2 e EfficientNetB7. Resultados: O modelo utilizando as arquiteturas Xception e MobileNetV2 demonstrou elevada precisão na classificação de folhas de bananeira como saudáveis ou doentes. A eficácia dessas arquiteturas foi confirmada por meio das métricas ACC, F1, AUC, MSE e Kappa, validando a capacidade do modelo proposto de distinguir a presença da Sigatoka Amarela. Conclusão: Os resultados destacam não apenas a precisão, mas também o potencial prático do modelo. O avanço tecnológico proposto apresenta aplicações concretas no aumento da produtividade, na redução de perdas financeiras e no reforço do monitoramento das plantações, possibilitando a identificação precoce de áreas afetadas.

show abstract

Section: Problemas Com Sobreajuste (Overfitting)unclassified

Detecção de sigatoka amarela em folhas de banana com redes neurais convolucionais (CNN) e aprendizagem por transferência profunda (DTL)

Silva,

Nogueira,

Cruz Júnior

et al. 2024

OLEL

View full text Add to dashboard Cite

show abstract

“…e two-stage algorithm is characterized by high detection accuracy and slow detection speed. With the development of the two-stage algorithm, the tasks of each stage of target detection are integrated into a deep neural network [25]. Two-stage algorithms include RCNN, SPPNet, Fast-RCNN, Faster-RNN, and Mask-RCNN.…”

Section: Two-stage Algorithmmentioning

confidence: 99%

Research on Modern Book Packaging Design Based on Aesthetic Evaluation Based on a Deep Learning Model

Wen

2022

Scientific Programming

View full text Add to dashboard Cite

Through the analysis of the application and development of deep learning in the field of book design and publishing, the article expounds on the positive impact of deep learning on book design and publishing, discusses the shortcomings of deep learning in creative ability, aesthetic ability, emotion, etc., and then discusses the design and publishing of books. The future development direction of intelligent aided design and intelligent personalized design is proposed to provide a reference for researchers in deep learning and book design and publication.

show abstract

“…Le et al 22 proposed a method combining the convolutional neural network (CNN), extreme learning machine (ELM), and visible and near-infrared spectroscopy for coal identification, achieving 96.51% classification accuracy, demonstrating the effectiveness of the feature extractor and classifier in the CNN-ELM model. Azimi et al 23 presented an approach for beta-gamma coincidence radioxenon spectra using the CNN and achieved high classification accuracy. Zhang et al 24 integrated the one-dimensional CNN and long short-term memory networks for the detection of soil water content.…”

Section: Introductionmentioning

confidence: 99%

Coal Identification Based on Reflection Spectroscopy and Deep Learning: Paving the Way for Efficient Coal Combustion and Pyrolysis

Xiao

Yan

et al. 2022

ACS Omega

View full text Add to dashboard Cite

Coal plays an indispensable role in the world’s energy structure. Coal converts chemical energy into energy such as electricity, heat, and internal energy through combustion. To realize the energy conversion of coal more efficiently, coal needs to be identified during the stages of mining, combustion, and pyrolysis. On this basis, different categories of coal are used according to industrial needs, or different pyrolysis processes are selected according to the category of coal. This paper proposes an approach combining deep learning with reflection spectroscopy for rapid coal identification in mining, combustion, and pyrolysis scenarios. First, spectral data of different coal samples were collected in the field and these spectral data were preprocessed. Then, an identification model combining a multiscale convolutional neural network (CNN) and an extreme learning machine (ELM), named RS_PSOTELM, is proposed. The effective features in the spectral data are extracted by the CNN, and the feature classification is realized utilizing the ELM. To enhance the identification performance of the model, we utilize a particle swarm optimization algorithm to optimize the parameters of the ELM. Experimental results show that RS_PSOTELM achieves 98.3% accuracy on the coal identification task and is able to identify coal quickly and accurately, providing a low-cost, efficient, and reliable approach for coal identification during the mining and application phases, as well as paving the way for efficient combustion and pyrolysis of coal.

show abstract

Classification of radioxenon spectra with deep learning algorithm

Cited by 7 publications

References 25 publications

Detecção de sigatoka amarela em folhas de banana com redes neurais convolucionais (CNN) e aprendizagem por transferência profunda (DTL)

Detecção de sigatoka amarela em folhas de banana com redes neurais convolucionais (CNN) e aprendizagem por transferência profunda (DTL)

Research on Modern Book Packaging Design Based on Aesthetic Evaluation Based on a Deep Learning Model

Coal Identification Based on Reflection Spectroscopy and Deep Learning: Paving the Way for Efficient Coal Combustion and Pyrolysis

Contact Info

Product

Resources

About