Unter Verwendung der verschiedenen Funktionen von JMP untersuchten wir eine Methode zur Verknüpfung von Bildanalysedaten von Rohtee vom Teemarkt der Präfektur Kagoshima mit Bilddaten von Rohteeblättern als Rohstoffen am Standort und gedämpften Teeblättern während des Herstellungsprozesses.
Anhand von Bilddaten von frischen und gedämpften Blättern konnten wir mithilfe der PLS-Regression und eines neuronalen Modells die Aussehensfarbe von grobem Tee mit hoher Genauigkeit vorhersagen. Durch die Anpassung eines Modells konnten wir den Stückpreis von Rohtee mit hoher Genauigkeit vorhersagen, basierend auf der Sorte, dem Gebotsdatum, dem Vorhandensein oder Fehlen einer Abdeckung sowie der Sättigung und dem Farbton der gedämpften Blätter. Darüber hinaus wurde der gleiche Trend wie oben beobachtet, selbst wenn Daten verwendet wurden, die mit einer Smartphone-Bildanalyseanwendung gewonnen wurden.
Obwohl andererseits in den Bilddaten des Teemarktes einige Werte fehlten, gibt es aufgrund der bivariaten Beziehung keinen Unterschied im durchschnittlichen Stückpreis, je nachdem, ob fehlende Werte vorhanden sind oder nicht, und der Homoskedastizitätstest und Der Kolmogorov-Smirnov-Test zeigte auch keinen Unterschied in der Varianz oder Verteilung. Da keine Daten fehlten, wurden die fehlenden Daten als völlig zufällig angesehen. Aufgrund der Verwendung der JMP-Funktion zur Imputation fehlender Werte war die Genauigkeit des neuronalen Modells unter Verwendung des imputierten Datensatzes geringer als die des Modells ohne fehlende Werte.
Die obigen Ergebnisse legen nahe, dass es möglich ist, die Qualität von Rohtee nach dem Versand anhand von Bildern der Rohmaterialien vor Ort vorherzusagen. In Zukunft werden wir die Anzahl der Proben weiter erhöhen, um die Vorhersagegenauigkeit zu verbessern und diese Informationen als Orientierungshilfe bei der Ernte und Herstellung vor Ort zu nutzen.
