{"id":24557559,"url":"https://github.com/xndrxssx/cotton_candy_spectral_analysis","last_synced_at":"2025-07-30T23:12:12.149Z","repository":{"id":242269505,"uuid":"809125252","full_name":"xndrxssx/cotton_candy_spectral_analysis","owner":"xndrxssx","description":"Diretório com os algoritmos de pré-processamento e modelos para análise de dados espectrais da uva de mesa Cotton Candy.","archived":false,"fork":false,"pushed_at":"2024-11-19T19:59:36.000Z","size":308815,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-01-23T05:20:03.729Z","etag":null,"topics":["machine-learning-algorithms","msc","pca","pcr","plsr","preprocessing-data","random-forest","savitzky-golay","snv","spectroscopy","standard-normal-variate","support-vector-machine"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/xndrxssx.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":"Support Vector Machine/Support Vector Machine.ipynb","governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-06-01T18:58:25.000Z","updated_at":"2024-11-19T19:59:40.000Z","dependencies_parsed_at":"2024-11-19T19:22:18.196Z","dependency_job_id":"01a606e1-59f9-4e1d-ae73-9c98d79696ef","html_url":"https://github.com/xndrxssx/cotton_candy_spectral_analysis","commit_stats":null,"previous_names":["xndrxssx/cotton_candy_spectral_analysis"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xndrxssx%2Fcotton_candy_spectral_analysis","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xndrxssx%2Fcotton_candy_spectral_analysis/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xndrxssx%2Fcotton_candy_spectral_analysis/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/xndrxssx%2Fcotton_candy_spectral_analysis/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/xndrxssx","download_url":"https://codeload.github.com/xndrxssx/cotton_candy_spectral_analysis/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":243910768,"owners_count":20367546,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["machine-learning-algorithms","msc","pca","pcr","plsr","preprocessing-data","random-forest","savitzky-golay","snv","spectroscopy","standard-normal-variate","support-vector-machine"],"created_at":"2025-01-23T05:17:47.070Z","updated_at":"2025-03-16T18:26:07.023Z","avatar_url":"https://github.com/xndrxssx.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"\n# Estudo de viabilidade técnica para uso da espectroscopia Vis-NIR no monitoramento da qualidade em uvas de mesa\n\nEste projeto visa melhorar a qualidade das uvas de mesa, tanto brancas quanto tintas, utilizando técnicas avançadas de espectroscopia de refletância no visível e infravermelho próximo (Vis-NIR). Por meio da análise espectral dessas variedades de uvas, buscamos desenvolver modelos preditivos que possam identificar e quantificar atributos de qualidade importantes. Além disso, o projeto se concentra em encontrar os melhores pré-processamentos para os sinais espectrais e em identificar assinaturas espectrais específicas que indiquem a qualidade das uvas. Esta iniciativa é voltada para pesquisadores, agrônomos, e produtores que buscam otimizar a qualidade dos seus produtos utilizando tecnologias de ponta.\n\n\n\n\n## Apêndice\n\n### Algoritmos de Pré-processamento\nOs seguintes algoritmos de pré-processamento foram utilizados para preparar os dados espectrais:\n\n- MSC (Multiplicative Scatter Correction): Correção multiplicativa de espalhamento para ajustar a variabilidade dos dados espectrais.\n- SNV (Standard Normal Variate): Padronização normal de sinal para corrigir variações de intensidade e melhorar a comparabilidade entre amostras.\n- SG (Savitzky-Golay Derivative): Aplicação da primeira derivada de Savitzky-Golay para realçar características espectrais e reduzir ruídos.\n\n### Análise Exploratória\n- PCA (Principal Component Analysis): Utilizado para a análise exploratória dos dados, PCA ajuda a identificar padrões e estruturas latentes na matriz espectral, facilitando a visualização e compreensão dos dados.\n\n### Modelos Preditivos\nOs seguintes modelos foram aplicados para análise e predição dos atributos das uvas:\n\n- PLSR (Partial Least Squares Regression): Regressão por Mínimos Quadrados Parciais, utilizada para modelar relações entre variáveis espectrais e atributos de qualidade.\n- PCR (Partial Components Regression): Regressão por Componentes Parciais, aplicável para reduzir a dimensionalidade dos dados e prever atributos.\n- SVM (Support Vector Machine): Máquinas de Vetores de Suporte, empregadas para classificação e regressão de dados espectrais.\n- RF (Random Forest): Florestas Aleatórias, utilizadas para modelar e prever os atributos das uvas com base em múltiplos modelos de decisão.\n\n\n\n## Status\n### Status Atual: *Em Testes*\n\nOs algoritmos de pré-processamento e modelos preditivos estão atualmente em fase de testes. É importante observar que os resultados podem variar conforme os parâmetros utilizados e a configuração dos dados específicos. Para que as funções e modelos funcionem adequadamente com seus dados, é necessário ajustar os parâmetros conforme a natureza dos dados espectrais que você está utilizando. Siga estas diretrizes:\n\n- Pré-processamento\nOs algoritmos de pré-processamento, como MSC, SNV e SG, podem precisar de ajustes nos parâmetros para otimizar o desempenho com diferentes conjuntos de dados. \n\n- Modelos Preditivos\nEm breve: Cada modelo preditivo (PLSR, PCR, SVM, RF) possui parâmetros que podem ser ajustados para melhorar a precisão das previsões. Consulte os notebook dos modelos de análise para orientações sobre como ajustar os parâmetros de cada modelo com base nos seus dados específicos.\n\n- Instruções de Ajuste \nEm breve no notebook de pré-processamento e dos modelos preditivos você encontrará células específicas para configuração de parâmetros. Revise essas células e ajuste os valores conforme necessário para melhor adaptar o processo aos seus dados.","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fxndrxssx%2Fcotton_candy_spectral_analysis","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fxndrxssx%2Fcotton_candy_spectral_analysis","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fxndrxssx%2Fcotton_candy_spectral_analysis/lists"}