Обзор применения машинного обучения в послеуборочной обработке Cacao
A review of machine learning applications in Cacao Post-harvest management
Zhaira Marianne Ferrancol Ferran, Luisa Ann Tamayo Ongquit, Edwin R. Arboleda
Аннотация (перевод)
Бобы какао играют решающую роль в производстве шоколада, что делает их исключительно важной сельскохозяйственной культурой. Послеуборочный этап обработки бобов какао, включающий классификацию, оценку качества и ферментацию, имеет важное значение. В связи с растущим спросом на товарные бобы какао возникла потребность в надежных, точных и быстрых технологиях. В данном исследовании представлен всесторонний обзор методов машинного обучения на послеуборочном этапе обработки бобов какао с 2016 года по настоящее время. На основе анализа 36 исследований в нем основное внимание уделяется классификации, оценке качества и ферментации. Предложенная структура включает область применения, алгоритмы обучения, метрики производительности и описанные результаты воздействия. В частности, в работе рассматриваются различные применения машинного обучения, такие как классификация, оценка качества и ферментация, с выделением часто используемых алгоритмов, таких как ANN, CNN и SVM. Что касается показателей эффективности, GLCM достиг наибольшей точности (99.61%) при классификации какао, ANFIS показал лучшие результаты при оценке качества (99.715%), а k-NN оказался самым точным для задач ферментации. Данный обзор служит ценным ресурсом для исследователей в секторе бобов какао, предоставляя сведения о достижениях в области машинного обучения.
Оригинальная аннотация
Cacao beans play a crucial role in chocolate production, making them a highly relevant crop. The post-harvesting stage of cacao beans, encompassing classification, quality assessment, and fermentation, holds significant importance. With the increasing demand for marketable cacao beans, the need for reliable, accurate, and fast technologies has emerged. This study provides a comprehensive review of machine learning techniques in the post-harvesting stage of cacao beans from 2016 to the present. Analyzing 36 studies, it focuses on classification, quality assessment, and fermentation. The proposed framework includes the application domain, learning algorithms, performance metrics, and reported impacts. Notably, it explores various machine learning applications like classification, quality assessment, and fermentation, highlighting commonly used algorithms like ANN, CNN, and SVM. In terms of performance metrics, GLCM achieved the highest accuracy (99.61%) in cacao classification, ANFIS excelled in quality assessment (99.715%), and k-NN emerged as the most accurate for fermentation. This review serves as a valuable resource for researchers in the cacao bean sector, offering insights into machine learning advancements.
Идентификаторы
Canonical: https://research.holos.house/w/ea3c118c-aa2b-45bb-9835-0c6a17d5d52f
DOI: 10.30574/ijsra.2024.11.1.0186
OpenAlex: W4391750843