Utilizzando le varie funzioni di JMP, abbiamo studiato un metodo per collegare i dati di analisi delle immagini del tè grezzo proveniente dal mercato del tè della prefettura di Kagoshima con i dati delle immagini delle foglie di tè crude come materie prime nel sito e delle foglie di tè cotte a vapore durante il processo di produzione.
Utilizzando dati di immagine di foglie fresche e cotte al vapore, siamo stati in grado di prevedere il colore dell'aspetto del tè grosso con elevata precisione utilizzando la regressione PLS e modelli neurali. Adattando un modello, siamo stati in grado di prevedere il prezzo unitario del tè crudo con elevata precisione in base alla varietà, alla data di offerta, alla presenza o assenza di copertura, nonché alla saturazione e alla tonalità delle foglie cotte al vapore. Inoltre, la stessa tendenza di cui sopra è stata osservata anche quando sono stati utilizzati i dati ottenuti utilizzando un’applicazione di analisi delle immagini per smartphone.
D'altra parte, anche se c'erano alcuni valori mancanti nei dati dell'immagine del mercato del tè, a causa della relazione bivariata, non vi è alcuna differenza nel prezzo unitario medio a seconda della presenza o dell'assenza di valori mancanti e del test di omoschedasticità e Anche il test di Kolmogorov-Smirnov non mostra differenze nella varianza o nella distribuzione Poiché non c'erano dati mancanti, i dati mancanti sono stati considerati completamente casuali. Come risultato dell'utilizzo della funzione di imputazione dei valori mancanti di JMP, la precisione del modello neurale che utilizzava il set di dati imputato era inferiore a quella del modello senza valori mancanti.
I risultati di cui sopra suggeriscono che è possibile prevedere la qualità del tè grezzo dopo la spedizione dalle immagini delle materie prime sul campo. In futuro, aumenteremo ulteriormente il numero di campioni per migliorare l'accuratezza delle previsioni e utilizzeremo queste informazioni come guida nella raccolta e nella produzione in loco.
