À l'aide des différentes fonctions de JMP, nous avons étudié une méthode permettant de lier les données d'analyse d'image du thé brut provenant du marché du thé de la préfecture de Kagoshima avec les données d'image des feuilles de thé crues comme matières premières sur le site et des feuilles de thé cuites à la vapeur pendant le processus de fabrication.
En utilisant des données d'image de feuilles fraîches et cuites à la vapeur, nous avons pu prédire la couleur d'apparence du thé grossier avec une grande précision à l'aide de la régression PLS et d'un modèle neuronal. En ajustant un modèle, nous avons pu prédire le prix unitaire du thé brut avec une grande précision en fonction de la variété, de la date d'enchère, de la présence ou non de couverture, ainsi que de la saturation et de la teinte des feuilles cuites à la vapeur. De plus, la même tendance que ci-dessus a été observée même lorsque les données obtenues à l’aide d’une application d’analyse d’images sur smartphone ont été utilisées.
D'autre part, bien qu'il y ait quelques valeurs manquantes dans les données d'image du marché du thé, en raison de la relation bivariée, il n'y a pas de différence dans le prix unitaire moyen en fonction de la présence ou de l'absence de valeurs manquantes, et du test d'homoscédasticité et Le test de Kolmogorov-Smirnov ne montre également aucune différence de variance ou de distribution. Comme il n'y avait aucune donnée manquante, les données manquantes ont été considérées comme complètement aléatoires. Grâce à l'utilisation de la fonction d'imputation des valeurs manquantes de JMP, la précision du modèle neuronal utilisant l'ensemble de données imputées était inférieure à celle du modèle sans valeurs manquantes.
Les résultats ci-dessus suggèrent qu’il est possible de prédire la qualité du thé brut après expédition à partir d’images de matières premières sur le terrain. À l’avenir, nous augmenterons encore le nombre d’échantillons pour améliorer la précision des prévisions et utiliserons ces informations pour nous guider lors de la récolte et de la fabrication sur site.
