SWIR hiperspektral görüntüləmə, obyektin qısa dalğalı infraqırmızı sahədə çoxsaylı dar dalğa uzunluqlarında əksolunma məlumatını eyni təsvir daxilində qeydə alan dağıdıcı olmayan görüntüləmə üsuludur. Bu tədqiqat buğda dənələrinin xam protein tərkibini sürətli və dağıdıcı olmayan şəkildə proqnozlaşdırmaq məqsədilə SWIR və VNIR hiperspektral görüntüləməni YOLOv11 əsaslı dənə seqmentasiyası, DBSCAN və Random Forest əsaslı maraq sahəsinin seçilməsi və Qismən Ən Kiçik Kvadratlar Reqressiyası (Partial Least Squares Regression, PLSR) ilə birləşdirmişdir. Ümumilikdə 45 buğda sortundan 2023 və 2024-cü illərdə əldə edilən 4200 fiziki dənə iki fərqli spektral sistemlə görüntülənmiş, istinad xam protein dəyərləri Dumas azot analizi əsasında müəyyən edilmişdir. Tədqiqatın əsas nəticəsi ondan ibarətdir ki, nəzarət olunan görüntüləmə şəraitində SWIR spektri xam protein proqnozu baxımından VNIR-dən nəzərəçarpacaq dərəcədə daha yüksək və daha sabit ümumiləşdirmə performansı təmin etmişdir.

Ən yüksək SWIR test performansı Multiplicative Scatter Correction (MSC) ilkin emalı ilə Test R² = 0,8725 və RMSE = 0,7479 kimi əldə edilmişdir. Bununla yanaşı, Savitzky–Golay ilkin emalı PLS komponentlərinin sayını xam məlumatdakı 10-dan 3-ə endirərkən Test R² = 0,8449 və Q² = 0,8487 dəyərlərini qoruyaraq daha sadə model təmin etmişdir. SWIR modellərində sınaqdan keçirilən bütün ilkin emal üsullarının Q² dəyəri 0,84-dən yuxarı qalarkən ən yaxşı VNIR modeli Test R² = 0,5750 və Q² = 0,5793 səviyyəsindədir.

YOLOv11 seqmentasiyası, məlumat artırılması tətbiq edildikdə cropped təsvirlərdə F1 dəyərini 0,99-dan yuxarı saxlaya bilmişdir. Modelin median emal müddəti 25,00 ms ölçülmüş və eyni tədqiqatdakı YOLOv8 müqayisəsinə görə təxminən 2,57 dəfə daha sürətli işlədiyi göstərilmişdir. Bununla belə, nəticələr eyni kameralar, nəzarət olunan işıqlandırma və standart görüntüləmə protokolu altında əldə edilmişdir. Fərqli cihazlarda, fərqli ətraf mühit şəraitində və müstəqil qurumların məlumat dəstlərində eyni performansın qorunacağı bu tədqiqatla sübut edilməmişdir.

Buğdanın xam protein tərkibi niyə ölçülür?

Buğdanın protein tərkibi, xüsusilə gluten şəbəkəsini yaradan gliadin və glutenin proteinlərinə görə unun emal xüsusiyyətləri ilə sıx əlaqəlidir. Ənənəvi xam protein təyinində Kjeldahl və ya Dumas kimi kimyəvi üsullardan istifadə edilə bilər. Bu üsullar yüksək dəqiqlik təmin edə bilsə də, nümunənin hazırlanmasını, üyüdülməsini və kimyəvi və ya yanma əsaslı analizi tələb edir. Çox sayda dənənin sürətlə təsnifləşdirilməsi tələb olunan istehsal və ya keyfiyyətə nəzarət ssenarisində hər bir dənənin bu üsullarla ayrıca araşdırılması yüksək məhsuldarlıqlı skrininqi məhdudlaşdırır.

Yaxın infraqırmızı spektroskopiya dağıdıcı olmayan analiz imkanı verir; lakin klassik spektrofotometrlər adətən nümunənin məhdud bir hissəsindən spektr əldə edir. Hiperspektral görüntüləmə isə təsvirin hər fəza nöqtəsində çoxsaylı dalğa uzunluqlarının əksolunma məlumatını birləşdirərək həm “harada?”, həm də “hansı spektral xüsusiyyətdə?” suallarını eyni məlumat dəstində araşdırmağa imkan verir.

SWIR Niyə Buğda Proteininin Proqnozunda VNIR-dən Daha Güclü Nəticə Verdi?

SWIR sahəsi proteinlərdəki N–H, C=O və C–N rabitələrinin vibrasiya üst tonları və kombinasiya zolaqları ilə əlaqəli spektral məlumatı əhatə etdiyinə görə bu tədqiqatda xam protein tərkibinə dair daha birbaşa kimyəvi siqnallar daşımışdır. Bunun əksinə, istifadə olunan VNIR diapazonu proteinlə əlaqəli bu aydın absorbsiya sahələrinin mühüm hissəsini əhatə etməmiş; dənə qabığının rəngi kimi proteinlə zəif əlaqəli fiziki xüsusiyyətlərdən daha çox təsirlənmişdir. Nəticədə SWIR əsaslı PLSR modelləri bütün ilkin emal seçimlərində Q² > 0,84 səviyyəsində qalarkən VNIR modellərinin ümumiləşdirmə performansı nəzərəçarpacaq dərəcədə aşağı olmuşdur.

Tədqiqatda VNIR diapazonu 397,32–1003,58 nm, SWIR diapazonu isə 982,08–2576,58 nm-dir. Yüksək və aşağı xam protein qruplarının orta spektrləri müqayisə edildikdə VNIR-də yalnız bir aydın dönüş nöqtəsi müəyyən edilərkən SWIR spektrində səkkiz dönüş nöqtəsi müəyyən edilmişdir:

• 992,0 nm,
• 1200,5 nm,
• 1473,9 nm,
• 1779,3 nm,
• 1934,4 nm,
• 2283,0 nm,
• 2316,2 nm,
• 2487,8 nm.

Müəlliflər 1473,9 nm nöqtəsini N–H vibrasiyaları ilə əlaqəli təxminən 1500–1530 nm sahəsinə; 2283,0 və 2316,2 nm nöqtələrini isə protein quruluşundakı C=O və N–H vibrasiyaları ilə əlaqəli kombinasiya zolaqlarına yaxın spektral xüsusiyyətlər kimi şərh edirlər. Bu şərh müşahidə olunan dönüş nöqtələrinin proteinlə əlaqəli vibrasiyalardan qaynaqlana biləcəyini düşündürür; tədqiqat bu nöqtələrin hər biri üçün müstəqil molekulyar doğrulama aparmamışdır.

VNIR-də müəyyən edilən təxminən 1000,5 nm dönüş nöqtəsi isə sensor diapazonunun son sərhədində yerləşir. Tədqiqatçılar bu kəskin spektral dəyişikliyin real biokimyəvi siqnaldan daha çox cihazın ölçmə sərhədindəki səs-küyü təmsil etməsi ehtimalına diqqət çəkirlər.

YOLOv11 Bu Tədqiqatda Nə Edir?

YOLOv11 bu tədqiqatda xam protein miqdarını birbaşa proqnozlaşdıran model deyil; hiperspektral təsvirlərdəki ayrı-ayrı buğda dənələrini və ağ istinad sahələrini avtomatik seqmentasiya etməklə hər dənəyə aid spektral məlumatın çıxarılacağı fəza sərhədini müəyyən edən dərin öyrənmə komponentidir. Protein proqnozu sonrakı mərhələdə bu seqmentlərdən çıxarılan spektral xüsusiyyətlərin PLSR modelinə verilməsi ilə həyata keçirilir.

Bu fərq sistemin anlaşılması baxımından vacibdir. Tədqiqatda üç fərqli analitik iş bir-birinə bağlanmışdır:

1. Obyektin tapılması: YOLOv11 təsvirdə hansı sahənin buğda dənəsi olduğunu müəyyən edir.
2. Spektral ROI-nin dəqiqləşdirilməsi: UMAP, DBSCAN və Random Forest Classifier istifadə edilərək YOLO qutusunun daxilində həqiqətən dənəyə aid olan piksellər ayrılır.
3. Kimyəvi xüsusiyyətin proqnozu: Seçilmiş piksellərdən çıxarılan spektr PLSR modelinə daxil olur və xam protein tərkibi proqnozlaşdırılır.

Niyə yalnız YOLO seqmentasiyası kifayət hesab edilmədi?

YOLO bir dənənin mövqeyini müəyyən edə bilsə də, əldə edilən bounding box yalnız dənəni deyil, onun ətrafındakı fon piksellərini də əhatə edə bilər. Hiperspektral proqnozda bir neçə yanlış piksel belə orta əksolunma spektrini dəyişdirə bildiyinə görə tədqiqatçılar dənənin real spektral sahəsini ayrıca təsnifləşdirmişlər.

Bu məqsədlə spektral məlumatlar əvvəlcə Min-Max miqyaslama ilə 0–1 intervalına gətirilmiş, UMAP istifadə edilərək ölçü azaldılması tətbiq edilmiş və sonra DBSCAN klasterləri yaradılmışdır. DBSCAN tərəfindən yaradılan sinif etiketləri Random Forest Classifier-in təlimi üçün istifadə edilmişdir. Eksperimental qiymətləndirmədə DBSCAN üçün eps = 0,46; Random Forest üçün maksimum dərinlik = 2 seçilmişdir.

Son ROI çıxarılmasında çox aşağı əksolunma göstərən sahələr də kənarlaşdırılmışdır. Ümumi median əksolunmadan %30-dan çox aşağı əksolunmaya malik sahələr çıxarılmış və üst-üstə düşən aşkarlama qutularında Intersection over Union (IoU) əsaslı non-maximum suppression tətbiq edilmişdir.

Xam Protein Tərkibi Bu Tədqiqatda Əslində Necə Ölçüldü?

Modelin öyrənəcəyi istinad xam protein dəyəri hiperspektral kameradan əldə edilməmişdir; görüntüləmə tamamlandıqdan sonra buğda nümunələri üyüdülmüş, Dumas analizatoru ilə ümumi azot miqdarı ölçülmüş və azot dəyəri 5,7 çevirmə əmsalına vurularaq xam protein tərkibi hesablanmışdır. Beləliklə, görüntü əsaslı model kimyəvi istinad ölçməsini proqnozlaşdırmağı öyrənmişdir.

Nümunələr Automill cihazında 140 rpm-də 60 saniyə müddətində iki dəfə, ümumilikdə 120 saniyə homogenləşdirilmişdir. Ümumi azot analizi FlashSmart CHNS/O Dumas analizatoru ilə həyata keçirilmişdir.

Ümumilikdə 306 istinad xam protein ölçməsi aparılmışdır:

• 2023 məhsulu: 45 sort × 3 texniki təkrar = 135 ölçmə,
• 2024 qışlıq buğda: 45 sort × 3 texniki təkrar = 135 ölçmə,
• 2024-cü ildə seçilmiş 6 təmsilçi sort: 6 sort × 6 texniki təkrar = 36 ölçmə.

PLSR Bu Sistemdə Nəyi Proqnozlaşdırır?

PLSR bir-biri ilə yüksək dərəcədə korrelyasiyalı yüzlərlə spektral dalğa uzunluğunu daha az sayda gizli komponentdə təmsil etməklə bu spektral məlumatdan istinad xam protein dəyərini proqnozlaşdıran reqressiya modelidir. Bu xüsusiyyət qonşu dalğa uzunluqlarının bir-biri ilə güclü bağlı olduğu hiperspektral məlumat üçün xüsusilə faydalıdır.

VNIR modelində 204 zolağın hamısı, SWIR modelində isə 288 zolağın hamısı istifadə edilmişdir. Modeldən əvvəl xam spektrlə yanaşı üç fərqli spektral ilkin emal üsulu qiymətləndirilmişdir:

• SNV — Standard Normal Variate: səpilmə və miqyas fərqlərini azaltmağa yönəlmiş standartlaşdırma yanaşması.
• MSC — Multiplicative Scatter Correction: multiplikativ işıq səpilməsi və oxşar təsirləri düzəltməyə yönəlmiş üsul.
• Savitzky–Golay: spektral səs-küyü azaltmağa və spektral formanı qorumağa yönəlmiş hamarlaşdırma/törəmə yanaşması.

Savitzky–Golay üçün pəncərə uzunluqları 5, 7, 9 və 11; polinom dərəcələri 2 və 3; törəmə dərəcələri 1 və 2; PLS komponentlərinin sayı isə 1–30 arasında grid search ilə qiymətləndirilmişdir.

Model performans metrikləri

Tədqiqatda üç əsas performans metrikindən istifadə edilmişdir.

\[ R^2 = 1 - \frac{\sum_i (y_i-\hat{y}_i)^2} {\sum_i (y_i-\bar{y})^2} \]

Burada \(y_i\) müşahidə edilən xam protein dəyəri, \(\hat{y}_i\) model proqnozu və \(\bar{y}\) müşahidə olunan dəyərlərin ortalamasıdır. \(R^2\), modelin məlumat variasiyasını nə dərəcədə izah etdiyini göstərir.

\[ RMSE = \sqrt{ \frac{\sum_i (y_i-\hat{y}_i)^2}{n} } \]

RMSE proqnoz xətalarının kvadratlarının ortalamasının kvadrat köküdür. Buna görə daha aşağı RMSE proqnozların istinad dəyərlərinə ümumən daha yaxın olduğunu göstərir.

\[ Q^2 = 1-\frac{PRESS}{SS_{tot}} \]

\[ PRESS=\sum_i (y_i-\hat{y}_{i,-i})^2 \]

\(Q^2\), çarpaz doğrulama zamanı görülməyən nümunələr üçün proqnozların nə dərəcədə mənalı olduğunu qiymətləndirmək üçün istifadə edilən proqnozlaşdırıcı uyğunluq göstəricisidir. Tədqiqatda xüsusilə SWIR modellərinin Q² dəyərlərinin bütün ilkin emal üsullarında 0,84-dən yuxarı olması model sabitliyinin əsas sübutlarından biri kimi istifadə edilmişdir.

Tədqiqatın Metodu və Nəticələri

Bitki materialı və nümunə quruluşu

Tədqiqatda Koreyada yetişdirilən 45 buğda sortundan istifadə edilmişdir. 2023 məhsulunda hər sort üçün 20 dənə və üç texniki təkrar istifadə olunaraq ümumilikdə 2700 dənə görüntülənmişdir. 2024 məhsulunda eyni 45 sortdan 900 dənə ilə yanaşı, Koreyada geniş yetişdirilən altı təmsilçi sortdan hər sort üzrə 100 dənə olmaqla əlavə 600 dənə istifadə edilmişdir. Beləliklə, 2024-cü il üzrə ümumi say 1500, bütün tədqiqat üzrə isə 4200 fiziki buğda dənəsinə çatmışdır.

Hər fiziki dənə VNIR və SWIR sistemlərində ayrıca görüntüləndiyi üçün 42 VNIR və 42 SWIR olmaqla ümumilikdə 84 hiperspektral təsvir yaradılmış və analizin sonunda 4200 × 2 = 8400 fərdi spektral dənə profili əldə edilmişdir.

İki hiperspektral görüntüləmə sistemi

SWIR görüntüləmədə hərəkətli konveyerdən istifadə edilmişdir. Hər iki sistemdə xam intensivlik dəyərləri ağ və qaranlıq istinadlardan istifadə edilərək əksolunmaya çevrilmişdir:

\[ R=\frac{I-D}{W-D} \]

Burada \(R\) kalibrə edilmiş əksolunma, \(I\) ölçülmüş xam intensivlik, \(D\) qaranlıq cərəyan intensivliyi və \(W\) ağ istinad intensivliyidir. Tənlik sensorun qaranlıq siqnalını çıxardıqdan sonra ölçməni ağ istinad diapazonuna normallaşdırır.

YOLOv11 təlim məlumat dəsti necə yaradıldı?

Ümumi 84 təsvirdən 10-u — 5 VNIR və 5 SWIR — təsadüfi seçilərək Labelme ilə əl ilə işarələnmişdir. Dənələr sinif 0, ağ istinad isə sinif 1 kimi təyin edilmiş və başlanğıcda 1000 dənə etiketi ilə 10 ağ istinad etiketi yaradılmışdır.

Hiperspektral kublar YOLO təlimi üçün üç zolaqdan pseudo-RGB təsvirlərə çevrilmişdir. VNIR üçün 634,11 nm, 560,30 nm və 452,25 nm; SWIR üçün isə 1133,52 nm, 1335,78 nm və 1662,69 nm zolaqlarından istifadə edilmişdir.

Məlumat artırılmasında random cropping və image concatenation tətbiq edilmiş və mənbə tədqiqatın hesabatına görə təlim məlumat dəsti ilkin məlumat dəsti ilə müqayisədə 110 dəfə böyüdülmüşdür.

YOLOv11 təlim parametrləri

Təlim iş stansiyasında AMD Ryzen 5 3600 prosessoru, 32 GB RAM və NVIDIA RTX 3060 GPU istifadə edilmişdir. Mixed-precision training (AMP) aktiv edilmişdir.

Məlumat Artırılması YOLO Ümumiləşdirməsinə Necə Təsir Etdi?

Məlumat artırılması modelin eyni buğda dənəsi təsvirlərinin mövqe, miqyas və kəsmə dəyişikliklərinə qarşı dayanıqlığını nəzərəçarpacaq dərəcədə artırmışdır. Xam təsvirlərlə öyrədilən modellər bütün tamölçülü təsvirlərdə çox yüksək F1 dəyərlərinə çata bilsələr də, cropped doğrulama təsvirlərində recall və F1 azalmışdır; artırılmış təlim dəstlərindən istifadə edildikdə cropped təsvirlərdə F1 dəyərləri yenidən təxminən 0,99–1,00 intervalına yüksəlmişdir.

Bu cədvəl yalnız tədqiqatın cropped təsvirlərdən yaratdığı doğrulama şərtini təmsil edir. Fərqli kamera, qurum və ya ətraf mühit şəraitində ümumi performans kimi şərh edilməməlidir.

Emal sürəti

YOLOv11 seqmentasiyasının median ümumi emal müddəti 25,00 ms ölçülmüşdür. Eyni müqayisədə YOLOv8 üçün 64,30 ms bildirilmişdir. 25 ms/təsvir dəyəri nəzəri olaraq təxminən 40 təsvir/saniyə emal sürətinə uyğun gəlir və tədqiqatçılar bunu yüksək məhsuldarlıqlı məlumat emalı baxımından mühüm üstünlük kimi qiymətləndirmişlər.

PLSR təlim/doğrulama/test strategiyası

2023 və 2024 spektral məlumatları birləşdirilmiş və ümumi məlumatın %10-u təsadüfi müstəqil test dəsti kimi ayrılmışdır. Qalan %90 üzərində beş qatlı çarpaz doğrulama tətbiq edilmiş; hər fold daxilində məlumat %80 təlim və %20 doğrulama formasında istifadə edilmişdir.

VNIR və SWIR proqnoz nəticələri

Cədvəl iki fərqli “yaxşı model” anlayışını ayırmağı tələb edir. Yalnız ən yüksək test R² axtarılarsa MSC–SWIR kombinasiyası önə çıxır. Buna qarşı model mürəkkəbliyi də nəzərə alınarsa Savitzky–Golay–SWIR modeli yalnız üç PLS komponenti ilə yüksək proqnoz gücünü qorumuşdur. Buna görə tədqiqatda ən yüksək dəqiqlik ilə ən sadə model eyni konfiqurasiya deyil.

Yüksək və aşağı protein qruplarında proqnozlar

Yuxarı və aşağı %10-luq protein qruplarında Savitzky–Golay ilə ilkin emal edilmiş PLSR modelləri ayrıca müqayisə edilmişdir. Yüksək protein qrupunda ölçülən dəyər 15,030 ± 0,908 %, SWIR proqnozu 14,988 ± 1,588 %, VNIR proqnozu 15,176 ± 2,664 % kimi bildirilmişdir. Aşağı protein qrupunda ölçülən dəyər 11,838 ± 1,02 % olduğu halda VNIR 12,254 ± 2,538 %, SWIR 10,845 ± 2,156 % proqnozlaşdırmışdır.

Bu tək qrup ortalamaları bütün model performansının əvəzinə istifadə edilməməlidir. Tədqiqatçıların SWIR üstünlüyü şərhi yalnız bu iki qrup ortalamasına deyil, test R², RMSE, Q² və çarpaz doğrulama nəticələrinin bütününə əsaslanır.

Tədqiqatın dəstəklədiyi nəticələr

• YOLOv11 hiperspektral təsvirlərdə ayrı-ayrı buğda dənələrinin avtomatik seqmentasiyasında yüksək performans təmin edə bilmişdir.
• Məlumat artırılması cropped təsvirlərdə seqmentasiya ümumiləşdirməsini nəzərəçarpacaq dərəcədə yaxşılaşdırmışdır.
• DBSCAN və Random Forest yanaşması YOLO qutularının daxilindən spektral ROI seçimini avtomatlaşdırmışdır.
• SWIR əsaslı PLSR bu məlumat dəstində VNIR əsaslı modellərdən daha yüksək və daha sabit protein proqnozu təmin etmişdir.
• MSC–SWIR ən yüksək test R² dəyərini vermişdir.
• Savitzky–Golay–SWIR yalnız üç PLS komponenti ilə daha sadə, lakin güclü model yaratmışdır.
• YOLOv11 tədqiqatdakı YOLOv8 müqayisəsində daha qısa emal müddəti göstərmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Modelin bütün buğda sortlarında və bütün ölkələrdə eyni dəqiqliyi təmin edəcəyi göstərilməmişdir.
• Fərqli SWIR/VNIR kameralarındakı performans doğrulanmamışdır.
• Nəzarətsiz zavod və ya tarla şəraitində eyni nəticələrin qorunacağı sübut edilməmişdir.
• Model protein molekulunu birbaşa “görmür”; spektral əksolunma ilə Dumas istinad dəyəri arasındakı statistik əlaqəni öyrənir.
• YOLO-nun yüksək F1 dəyəri protein reqressiyasının eyni dəqiqlikdə olması demək deyil.
• VNIR-in ümumiyyətlə bütün kimyəvi proqnoz tapşırıqlarında yetərsiz olduğu nəticəsinə gəlmək olmaz.
• SWIR üstünlüyü bu tədqiqat, bu sensorlar, bu nümunələr və bu protein proqnozu kontekstində qiymətləndirilməlidir.

Əsas məhdudiyyətlər

Bütün hiperspektral təsvirlər eyni Specim SWIR və Specim IQ kameraları ilə, nəzarət olunan işıqlandırma və standart yerləşdirmə altında əldə edilmişdir. Tədqiqatçılar 84 təsvirin hamısı üzrə performans qiymətləndirməsinə təlim üçün istifadə olunan təsvirlərin də daxil olduğunu açıq şəkildə bildirirlər. Cropped sahələr üzərində ayrıca qiymətləndirmə aparılmış olsa da, real sistemlərarası ümumiləşdirmə üçün başqa qurumlara, başqa cihazlara və fərqli ətraf mühit şəraitinə aid müstəqil məlumat dəstləri tələb olunur.

Taxıl hiperspektral təsvirləri üçün böyük və standartlaşdırılmış açıq məlumat dəstlərinin olmaması tədqiqatın daha geniş benchmark müqayisələri aparmasını da məhdudlaşdırmışdır.

Mənbədaxili rəqəmsal hesabat qeydi

Mənbənin nəticələr bölməsində YOLO üçün “maksimum F1 = 0,9989” ifadəsi istifadə olunur; bununla belə, tədqiqatın cədvəllərində fərqli məlumat və qiymətləndirmə şərtləri üçün R10 = 0,9995, IA10 = 0,9996 və cropped IA4 = 1,0000 dəyərləri mövcuddur. Buna görə performans dəyərləri hansı cədvələ və qiymətləndirmə şərtinə aid olduğu göstərilməklə şərh edilməlidir.

Bundan əlavə, metod bölməsində VNIR üçün 7 nm, SWIR üçün 12 nm FWHM spektral ayırdetmə bildirildiyi halda, müzakirə hissəsində təxminən 3,0 nm və 5,2 nm dəyərləri yenə “spectral resolution” ifadəsi altında istifadə olunur. Mənbə bu iki dəyər qrupunun optik ayırdetmə ilə spektral nümunələmə intervalı fərqini açıq şəkildə müəyyən etmədiyi üçün burada hər hansı biri digərinin yerinə düzəldilməmişdir.

Mənbə və Metod Qeydi

Orijinal tədqiqat:Assessment of crude protein in wheat kernels using SWIR hyperspectral imaging combined with deep learning-based segmentation

Müəlliflər: Jae Gyeong Jung; Jin-Hyun Kim; Changsoo Kim; Donghwan Shim.

Məsul müəllif: Donghwan Shim.

Qurumlar: Department of Biological Sciences, Chungnam National University; Genomics Division, Department of Agricultural Biotechnology, National Institute of Agricultural Sciences, Rural Development Administration; Department of Crop Science, Chungnam National University, Republic of Korea.

Jurnal: Journal of Agriculture and Food Research.

Cild / məqalə nömrəsi: 26 (2026), 102679.

DOI: 10.1016/j.jafr.2026.102679

Nəşriyyat: Elsevier B.V.

Qəbul edilmə tarixi: 20 Avqust 2025.

Reviziya: 8 Yanvar 2026.

Qəbul tarixi: 14 Yanvar 2026.

Onlayn nəşr: 17 Yanvar 2026.

Lisenziya: Creative Commons Attribution–NonCommercial 4.0 International (CC BY-NC 4.0).

Maliyyələşdirmə: Rural Development Administration, Republic of Korea, Cooperative Research Program for Agricultural Science and Technology Development No. RS-2025-00512183; həmçinin Institute of Information & Communications Technology Planning & Evaluation (IITP), Korea government (MSIT), No. RS-2022-00155857, Artificial Intelligence Convergence Innovation Human Resources Development, Chungnam National University.

Maraqların toqquşması: Müəlliflər tədqiqata təsir göstərə biləcək məlum maliyyə marağı və ya şəxsi münasibət bildirməmişlər.

Məlumatların əlçatanlığı: Məlumatların sorğu əsasında təqdim ediləcəyi bildirilmişdir.

Elmi sərhəd: Nəticələr nəzarət olunan laboratoriya hiperspektral görüntüləmə şəraitinə aiddir. Fərqli sensorlar, müstəqil qurum məlumat dəstləri və dəyişən ətraf mühit şəraitində xarici doğrulama aparılmamışdır. Tədqiqatın güclü nəticəsi mövcud standartlaşdırılmış quruluş daxilində SWIR + YOLOv11 + spektral ROI + PLSR arxitekturasının yüksək məhsuldarlıqlı xam protein proqnozu üçün tətbiq edilə bilməsidir; universal cihazlararası sahə performansı deyil.

Verianla təqdimat prinsipi: Bu məzmun orijinal akademik məqalənin tam mətn tərcüməsi deyil. Eksperiment dizaynı, riyazi metriklər, cihaz şərtləri, bildirilən performans dəyərləri və metodoloji məhdudiyyətlər mənbəyə sadiq saxlanılmış; təqdimat müstəqil elmi öyrənmə strukturu daxilində yenidən qurulmuşdur. Akademik istinad və mənbə şəkillərinin orijinal konteksti üçün DOI vasitəsilə yayımlanmış tədqiqat nəzərdən keçirilməlidir.