ترجمه فارسی مقاله طبقه‌بندی خودکار انواع لوبیا خشک با استفاده از مدل‌های XGBoost و SVM

چکیده

This paper presents a comparative study on the automated classification of seven different varieties of dry beans using machine learning models. Leveraging a dataset of 12,909 dry bean samples, reduced from an initial 13,611 through outlier removal and feature extraction, we applied Principal Component Analysis (PCA) for dimensionality reduction and trained two multiclass classifiers: XGBoost and Support Vector Machine (SVM). The models were evaluated using nested cross-validation to ensure robust performance assessment and hyperparameter tuning. The XGBoost and SVM models achieved overall correct classification rates of 94.00% and 94.39%, respectively. The results underscore the efficacy of these machine learning approaches in agricultural applications, particularly in enhancing the uniformity and efficiency of seed classification. This study contributes to the growing body of work on precision agriculture, demonstrating that automated systems can significantly support seed quality control and crop yield optimization. Future work will explore incorporating more diverse datasets and advanced algorithms to further improve classification accuracy.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک مطالعه مقایسه ای در مورد طبقه بندی خودکار هفت نوع مختلف لوبیا خشک با استفاده از مدل های یادگیری ماشین ارائه شده است.با استفاده از مجموعه داده های 12909 نمونه لوبیا خشک ، از 13،611 اولیه از طریق حذف دور و استخراج ویژگی ، کاهش یافته است ، ما از تجزیه و تحلیل مؤلفه اصلی (PCA) برای کاهش ابعاد استفاده کردیم و دو طبقه بندی کننده چند طبقه را آموزش دادیم: XGBoost و دستگاه وکتور پشتیبانی (SVM).این مدل ها با استفاده از اعتبارسنجی متقابل تو در تو برای اطمینان از ارزیابی عملکرد قوی و تنظیم هایپرپارامتر مورد بررسی قرار گرفت.مدل های XGBOOST و SVM به ترتیب به ترتیب طبقه بندی صحیح 94.00 و 94.39 ٪ به دست آوردند.نتایج تأکید می کند که اثربخشی این رویکردهای یادگیری ماشین در کاربردهای کشاورزی ، به ویژه در تقویت یکنواختی و کارآیی طبقه بندی بذر است.این مطالعه به رشد بدنه کار در کشاورزی دقیق کمک می کند ، نشان می دهد که سیستم های خودکار می توانند از کنترل کیفیت بذر و بهینه سازی عملکرد محصول به طور قابل توجهی پشتیبانی کنند.کار آینده در ترکیب مجموعه داده های متنوع تر و الگوریتم های پیشرفته برای بهبود بیشتر دقت طبقه بندی ، کاوش خواهد کرد.