Bazı makarnalık buğday çeşitlerinde tanenin fiziksel özelliklerinin görüntü işleme tekniği ile belirlenmesi

Abstract

Buğdayın sınıflandırılması hem buğdayın market değerinin belirlenmesinde hem de ıslahçılar için verim ve kalitenin belirlenmesinde önemlidir. Bu çalışmada dokuz farklı makarnalık buğday çeşidinin tam tane ve tane ortasından enine kesit alanına ait 12 morfolojik özelliği görüntü işleme yöntemleri ile incelenmiştir. Buğdaylara ait fiziksel özellikleri piksel boyutunda incelenmiş ve karşılaştırılmıştır. Buğday tanelerinin boyutlarına göre sınıfları 2,2 mm, 2,5 mm ve 2,8 mm olmak üzere üç elek sınıfına ayrılmıştır. YSA'da işlenen tüm çeşitler k-En Yakın Komşuluk (k-NN) ve Destek Vektör Makinaları (DVM) algoritmaları ile de sınıflandırılarak tahmin başarıları karşılaştırılmıştır. Üç algoritmada da en başarılı boyutlarına göre sınıflandırma Mimmo çeşidinin tane kesit alanı verilerinden elde edilmiştir. Tanelerin boyutlarına göre sınıflandırma işleminde kesit alanı verilerinin tam tane verilerine göre daha başarılı olduğu gözlenmiştir. Elde edilen sonuçlar görüntü işleme ve yapay zeka teknikleri kullanılarak buğday tanelerinin fenotipik özellikleri karşılaştırılmıştır. Tanelerin en, boy, alan ve çevre özellikleri her çeşit için incelenmiş ve diğer çeşitler ile karşılaştırılmıştır. Tam tane verilerine göre Ahmet Buğdayı en olarak geniş ve boy olarak diğer çeşitlere göre daha kısa iken, Kızıltan çeşidi diğerlerine göre boy en oranı en büyük olduğu saptanmıştır. Tane kesit alan için alan çevre oranına göre en küçük olan Eminbey çeşidi iken en büyük olan Svevo çeşidi olduğu gözlenmiştir. Ayrıca boyut sınıflandırması için makine öğrenme algoritmaları kullanılmıştır. En yüksek başarı Mimmo çeşidinde %94 ile k-NN algoritması kullanarak elde edilmiştir. Sonuç olarak bu çalışma tane fenotipik özellikleri ve boyut sınıflandırması için görüntü işleme teknikleri ve makine öğrenme algoritmaları kullanılması klasik yöntemlere göre daha düşük maliyetli, daha hızlı ve güvenilir sonuçlar elde edilebileceğini göstermiştir.

Wheat classification is crucial for determining both the market value of the wheat and determinig yield and quality properties for breeders. In this study, twelve morphological features of the whole grain and cross-sectional area were obtained by image processing methods for nine different durum varieties. According to the size of wheat grains, the classes consisted of 2.2 mm, 2.5 mm and 2.8 mm. Selected varieties were classified with k-NN and SVM algorithms, and then their successes were compared. The most successful classification in all three algorithms was obtained from the grain cross-sectional data of Mimmo variety. According to the size of the grains, it was observed that the data of the cross sectional area were more successful than whole grain data in the classification process. The results obtained were compared phenotypic properties of wheat grains by using image processing and artificial intelligence techniques. According to the whole grain data, it was observed that Ahmet Buğdayı has the largest grain width and shorter grain length than the other varieties, while Kızıltan has largest in the length and width ratio. It was observed that the Eminbey variety was the smallest in terms of area perimeter for the cross-sectional area, while the Svevo variety was the largest. In addition, machine learning algorithms were used for size classification. The highest success was achieved by using k-NN algorithm with 94% in Mimmo variety. In conclusion, this study shows that using image processing techniques and machine learning algorithms for grain phenotypic properties and size classification, lower cost, faster and more reliable results can be obtained than classical methods.