SWIR гиперспектралдык сүрөттөө — объекттин кыска толкундуу инфракызыл аймагындагы көп сандагы тар толкун узундуктарында чагылуу маалыматын бир эле сүрөттүн ичинде каттаган бузбай сүрөттөө ыкмасы. Бул изилдөө буудай дандарынын чийки белок курамын тез жана бузбай баалоо максатында SWIR жана VNIR гиперспектралдык сүрөттөөнү YOLOv11 негизиндеги дан сегментациясы, DBSCAN жана Random Forest негизиндеги кызыгуу аймагын тандоо жана Жарым-жартылай Эң Кичине Квадраттар Регрессиясы (Partial Least Squares Regression, PLSR) менен бириктирген. Жалпы 45 буудай сортунан 2023 жана 2024-жылдары алынган 4200 физикалык дан эки башка спектралдык система менен сүрөткө тартылып, эталондук чийки белок көрсөткүчтөрү Dumas азот анализинин негизинде аныкталган. Изилдөөнүн негизги жыйынтыгы — көзөмөлдөнгөн сүрөттөө шарттарында SWIR спектри чийки белокту баалоодо VNIRге караганда кыйла жогору жана туруктуураак жалпылоо көрсөткүчүн камсыз кылганы.

Эң жогорку SWIR тест көрсөткүчү Multiplicative Scatter Correction (MSC) алдын ала иштетүүсү менен Test R² = 0,8725 жана RMSE = 0,7479 болуп алынган. Ошол эле учурда Savitzky–Golay алдын ала иштетүүсү PLS компоненттеринин санын чийки маалыматтагы 10дон 3кө чейин азайтып, Test R² = 0,8449 жана Q² = 0,8487 маанилерин сактоо менен жөнөкөйүрөөк модель берген. SWIR моделдеринде сыналган бардык алдын ала иштетүү ыкмаларынын Q² мааниси 0,84төн жогору бойдон калса, эң жакшы VNIR модели Test R² = 0,5750 жана Q² = 0,5793 деңгээлинде болгон.

YOLOv11 сегментациясы маалыматтарды көбөйтүү колдонулганда cropped сүрөттөрдө F1 маанисин 0,99дан жогору кармай алган. Моделдин медианалык иштетүү убактысы 25,00 ms болуп өлчөнүп, ошол эле изилдөөдөгү YOLOv8 салыштыруусуна караганда болжол менен 2,57 эсе ылдамыраак иштеген. Бирок натыйжалар ошол эле камералар, көзөмөлдөнгөн жарыктандыруу жана стандарттык сүрөттөө протоколу шартында алынган. Башка түзмөктөрдө, башка чөйрө шарттарында жана көз карандысыз мекемелердин маалымат топтомдорунда ошол эле көрсөткүч сакталары бул изилдөөдө далилденген эмес.

Эмне үчүн буудайдын чийки белок курамы өлчөнөт?

Буудайдын белок курамы, айрыкча глютен тармагын түзгөн gliadin жана glutenin белокторунан улам ундун кайра иштетүү касиеттери менен тыгыз байланыштуу. Чийки белокту салттуу аныктоодо Kjeldahl же Dumas сыяктуу химиялык ыкмалар колдонулушу мүмкүн. Бул ыкмалар жогорку тактык бере алганы менен, үлгүнү даярдоону, майдалоону жана химиялык же күйүүгө негизделген анализди талап кылат. Көп сандагы дандарды тез классификациялоо керек болгон өндүрүш же сапатты көзөмөлдөө сценарийинде ар бир данды бул ыкмалар менен өз-өзүнчө текшерүү жогорку өткөрүмдүүлүктөгү скринингди чектейт.

Жакын инфракызыл спектроскопия бузбай анализ жүргүзүүгө мүмкүндүк берет; бирок классикалык спектрофотометрлер көбүнчө үлгүнүн чектелген бөлүгүнөн спектр алат. Гиперспектралдык сүрөттөө болсо сүрөттүн ар бир мейкиндик чекитинде көптөгөн толкун узундуктарынын чагылуу маалыматын бириктирип, “кайда?” жана “кайсы спектралдык өзгөчөлүктө?” деген суроолорду бир эле маалымат топтомунда кароого мүмкүндүк берет.

Эмне үчүн SWIR Буудай Белогун Баалоодо VNIRге Караганда Күчтүүрөөк Натыйжа Берди?

SWIR аймагы белоктордогу N–H, C=O жана C–N байланыштарынын термелүү обертондору жана комбинациялык тилкелери менен байланышкан спектралдык маалыматты камтыгандыктан, бул изилдөөдө чийки белок курамына тиешелүү түзүрөөк химиялык сигналдарды алып жүргөн. Ал эми колдонулган VNIR диапазону белокко байланышкан бул ачык сиңирүү аймактарынын маанилүү бөлүгүн камтыган эмес; дан кабыгынын түсү сыяктуу белок менен начар байланышкан физикалык өзгөчөлүктөрдөн көбүрөөк таасир алган. Натыйжада SWIR негизиндеги PLSR моделдери бардык алдын ала иштетүү варианттарында Q² > 0,84 деңгээлинде калган, VNIR моделдеринин жалпылоо көрсөткүчү болсо кыйла төмөн болгон.

Изилдөөдө VNIR диапазону 397,32–1003,58 nm, SWIR диапазону 982,08–2576,58 nm болгон. Жогорку жана төмөн чийки белок топторунун орточо спектрлери салыштырылганда VNIRде бир гана ачык бурулуш чекити аныкталса, SWIR спектринде сегиз бурулуш чекити аныкталган:

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

Авторлор 1473,9 nm чекитин N–H термелүүлөрү менен байланышкан болжол менен 1500–1530 nm аймагына; 2283,0 жана 2316,2 nm чекиттерин болсо белок түзүлүшүндөгү C=O жана N–H термелүүлөрүнө байланышкан комбинациялык тилкелерге жакын спектралдык өзгөчөлүктөр катары чечмелешет. Бул чечмелөө байкалган бурулуш чекиттери белокко байланышкан термелүүлөрдөн келип чыгышы мүмкүн экенин көрсөтөт; изилдөө бул чекиттердин ар бири үчүн көз карандысыз молекулалык текшерүү жүргүзгөн эмес.

VNIRде аныкталган болжол менен 1000,5 nm бурулуш чекити болсо сенсор диапазонунун четки чегинде жайгашкан. Изилдөөчүлөр бул кескин спектралдык өзгөрүү чыныгы биохимиялык сигналдан көрө түзмөктүн өлчөө чегиндеги ызы-чууну чагылдыруу ыктымалдыгына көңүл бурушат.

YOLOv11 Бул Изилдөөдө Эмне Кылат?

YOLOv11 бул изилдөөдө чийки белок көлөмүн түздөн-түз баалаган модель эмес; ал гиперспектралдык сүрөттөрдөгү ар бир буудай данын жана ак эталон аймактарын автоматтык түрдө сегментациялап, ар бир данга тиешелүү спектралдык маалымат чыгарылчу мейкиндик чек арасын аныктаган терең үйрөнүү компоненти. Белокту баалоо кийинки этапта ушул сегменттерден алынган спектралдык белгилерди PLSR моделине берүү аркылуу жүргүзүлөт.

Бул айырма системаны түшүнүү үчүн маанилүү. Изилдөөдө үч башка аналитикалык иш бири-бирине байланышкан:

1. Объектти табуу: YOLOv11 сүрөттүн кайсы аймагы буудай даны экенин аныктайт.
2. Спектралдык ROIни тактоо: UMAP, DBSCAN жана Random Forest Classifier колдонулуп, YOLO кутусунун ичиндеги чындап данга тиешелүү пикселдер ажыратылат.
3. Химиялык касиетти баалоо: Тандалган пикселдерден алынган спектр PLSR моделине кирет жана чийки белок курамы бааланат.

Эмне үчүн YOLO сегментациясы гана жетиштүү деп эсептелген эмес?

YOLO дандын ордун аныктай алганы менен, алынган bounding box данды гана эмес, анын айланасындагы фон пикселдерин да камтышы мүмкүн. Гиперспектралдык баалоодо бир нече туура эмес пиксел да орточо чагылуу спектрин өзгөртө алгандыктан, изилдөөчүлөр дандын чыныгы спектралдык аймагын өзүнчө классификациялашкан.

Бул максатта спектралдык маалыматтар адегенде Min-Max масштабдоо менен 0–1 аралыгына келтирилип, UMAP аркылуу өлчөмдү азайтуу колдонулган жана андан соң DBSCAN кластерлери түзүлгөн. DBSCAN түзгөн класс энбелгилери Random Forest Classifierди окутуу үчүн колдонулган. Эксперименттик баалоодо DBSCAN үчүн eps = 0,46; Random Forest үчүн максималдуу тереңдик = 2 тандалган.

Акыркы ROI чыгарууда өтө төмөн чагылууну көрсөткөн аймактар да четтетилген. Жалпы медианалык чагылуудан %30дан ашык төмөн чагылуусу бар аймактар алынып салынып, бири-бирин каптаган табуу кутуларында Intersection over Union (IoU) негизиндеги non-maximum suppression колдонулган.

Чийки Белок Курамы Бул Изилдөөдө Чынында Кантип Өлчөндү?

Модель үйрөнө турган эталондук чийки белок мааниси гиперспектралдык камерадан алынган эмес; сүрөттөө аяктагандан кийин буудай үлгүлөрү майдаланып, Dumas анализатору менен жалпы азот көлөмү өлчөнүп, азот мааниси 5,7 айландыруу коэффициентине көбөйтүлүп чийки белок курамы эсептелген. Ошентип, сүрөткө негизделген модель химиялык эталондук өлчөөнү баалоону үйрөнгөн.

Үлгүлөр Automill түзмөгүндө 140 rpmде 60 секунддан эки жолу, жалпы 120 секунд гомогендештирилген. Жалпы азот анализи FlashSmart CHNS/O Dumas анализатору менен жүргүзүлгөн.

Жалпы 306 эталондук чийки белок өлчөөсү жүргүзүлгөн:

• 2023 түшүмү: 45 сорт × 3 техникалык кайталоо = 135 өлчөө,
• 2024 күзгү буудай: 45 сорт × 3 техникалык кайталоо = 135 өлчөө,
• 2024-жылы тандалган 6 өкүлчүлүктүү сорт: 6 сорт × 6 техникалык кайталоо = 36 өлчөө.

PLSR Бул Системада Эмнени Баалайт?

PLSR бири-бири менен жогорку деңгээлде корреляцияланган жүздөгөн спектралдык толкун узундуктарын азыраак сандагы жашыруун компоненттерде көрсөтүп, ушул спектралдык маалыматтан эталондук чийки белок маанисин баалаган регрессия модели. Бул өзгөчөлүк коңшу толкун узундуктары бири-бири менен күчтүү байланышкан гиперспектралдык маалымат үчүн өзгөчө пайдалуу.

VNIR моделинде 204 тилкенин баары, SWIR моделинде 288 тилкенин баары колдонулган. Модель алдында чийки спектрден тышкары үч башка спектралдык алдын ала иштетүү ыкмасы бааланган:

• SNV — Standard Normal Variate: чачыроо жана масштаб айырмачылыктарын азайтууга багытталган стандартташтыруу ыкмасы.
• MSC — Multiplicative Scatter Correction: мультипликативдүү жарык чачыроосу жана окшош таасирлерди оңдоого багытталган ыкма.
• Savitzky–Golay: спектралдык ызы-чууну азайтып, спектралдык форманы сактоого багытталган жылмалоо/туунду ыкмасы.

Savitzky–Golay үчүн терезе узундуктары 5, 7, 9 жана 11; полином даражалары 2 жана 3; туунду даражалары 1 жана 2; PLS компоненттеринин саны болсо 1–30 аралыгында grid search менен бааланган.

Модель көрсөткүчтөрүнүн метрикалары

Изилдөөдө үч негизги көрсөткүч метрикасы колдонулган.

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

Бул жерде \(y_i\) байкалган чийки белок мааниси, \(\hat{y}_i\) модель баалоосу жана \(\bar{y}\) байкалган маанилердин орточосу. \(R^2\) моделдин маалымат вариациясын канчалык деңгээлде түшүндүрөрүн көрсөтөт.

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

RMSE — баалоо каталарынын квадраттарынын орточо маанисинин квадраттык тамыры. Ошондуктан төмөнүрөөк RMSE баалоолор эталондук маанилерге жалпысы менен жакыныраак экенин көрсөтөт.

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

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

\(Q^2\) кайчылаш текшерүү учурунда көрүлбөгөн үлгүлөргө карата баалоолор канчалык маанилүү экенин баалоо үчүн колдонулган прогноздук ылайыктуулук көрсөткүчү. Изилдөөдө өзгөчө SWIR моделдеринин Q² маанилеринин бардык алдын ала иштетүү ыкмаларында 0,84төн жогору болушу моделдин туруктуулугунун негизги далилдеринин бири катары колдонулган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Өсүмдүк материалы жана үлгү түзүмү

Изилдөөдө Кореяда өстүрүлгөн 45 буудай сорту колдонулган. 2023 түшүмүндө ар бир сорт үчүн 20 дан жана үч техникалык кайталоо колдонулуп, жалпы 2700 дан сүрөткө тартылган. 2024 түшүмүндө ошол эле 45 сорттон 900 дан жана Кореяда кеңири өстүрүлгөн алты өкүлчүлүктүү сорттон ар бир сортко 100дөн кошумча 600 дан колдонулган. Ошентип, 2024-жылдагы жалпы сан 1500гө, бүт изилдөөдөгү жалпы сан 4200 физикалык буудай данына жеткен.

Ар бир физикалык дан VNIR жана SWIR системаларында өз-өзүнчө сүрөткө тартылгандыктан, 42 VNIR жана 42 SWIR болуп жалпы 84 гиперспектралдык сүрөт түзүлүп, анализдин аягында 4200 × 2 = 8400 жеке спектралдык дан профили алынган.

Эки гиперспектралдык сүрөттөө системасы

SWIR сүрөттөөдө кыймылдуу конвейер колдонулган. Эки системада тең чийки интенсивдүүлүк маанилери ак жана караңгы эталондор аркылуу чагылууга айландырылган:

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

Бул жерде \(R\) калибрленген чагылуу, \(I\) өлчөнгөн чийки интенсивдүүлүк, \(D\) караңгы ток интенсивдүүлүгү жана \(W\) ак эталон интенсивдүүлүгү. Теңдеме сенсордун караңгы сигналын алып салгандан кийин өлчөөнү ак эталон диапазонуна нормалдаштырат.

YOLOv11 окутуу маалымат топтому кантип түзүлдү?

Жалпы 84 сүрөттүн 10у — 5 VNIR жана 5 SWIR — кокус тандалып, Labelme менен кол менен белгиленген. Дандар класс 0, ак эталон класс 1 катары аныкталып, башында 1000 дан энбелгиси жана 10 ак эталон энбелгиси түзүлгөн.

Гиперспектралдык кубдар YOLO окутуусу үчүн үч тилкеден pseudo-RGB сүрөттөргө айландырылган. VNIR үчүн 634,11 nm, 560,30 nm жана 452,25 nm; SWIR үчүн 1133,52 nm, 1335,78 nm жана 1662,69 nm тилкелери колдонулган.

Маалыматтарды көбөйтүүдө random cropping жана image concatenation колдонулуп, булак изилдөөнүн отчетуна ылайык окутуу маалымат топтому баштапкы маалымат топтомуна салыштырмалуу 110 эсе чоңойтулган.

YOLOv11 окутуу параметрлери

Окутуу жумушчу станциясында AMD Ryzen 5 3600 процессору, 32 GB RAM жана NVIDIA RTX 3060 GPU колдонулган. Mixed-precision training (AMP) иштетилген.

Маалыматтарды Көбөйтүү YOLO Жалпылоосуна Кантип Таасир Этти?

Маалыматтарды көбөйтүү моделдин ошол эле буудай даны сүрөттөрүндөгү орун, масштаб жана кесүү өзгөрүүлөрүнө туруктуулугун кыйла жогорулаткан. Чийки сүрөттөр менен окутулган моделдер бардык толук өлчөмдүү сүрөттөрдө өтө жогорку F1 маанилерине жетсе да, cropped текшерүү сүрөттөрүндө recall жана F1 төмөндөгөн; көбөйтүлгөн окутуу топтомдору колдонулганда cropped сүрөттөрдө F1 маанилери кайра болжол менен 0,99–1,00 аралыгына көтөрүлгөн.

Бул таблица изилдөөнүн cropped сүрөттөрдөн түзгөн текшерүү шартын гана көрсөтөт. Аны башка камера, мекеме же чөйрө шарттарындагы жалпы көрсөткүч катары чечмелөөгө болбойт.

Иштетүү ылдамдыгы

YOLOv11 сегментациясынын медианалык жалпы иштетүү убактысы 25,00 ms болуп өлчөнгөн. Ошол эле салыштырууда YOLOv8 үчүн 64,30 ms билдирилген. 25 ms/сүрөт мааниси теориялык жактан болжол менен 40 сүрөт/секунда иштетүү ылдамдыгына туура келет жана изилдөөчүлөр муну жогорку өткөрүмдүүлүктөгү маалымат иштетүү үчүн маанилүү артыкчылык деп баалашкан.

PLSR окутуу/текшерүү/тест стратегиясы

2023 жана 2024 спектралдык маалыматтары бириктирилип, жалпы маалыматтын %10у кокус көз карандысыз тест топтому катары бөлүнгөн. Калган %90да беш бүктөмдүү кайчылаш текшерүү колдонулуп; ар бир fold ичинде маалымат %80 окутуу жана %20 текшерүү түрүндө пайдаланылган.

VNIR жана SWIR баалоо натыйжалары

Таблица “жакшы модель” деген эки башка түшүнүктү ажыратууну талап кылат. Эгер эң жогорку test R² гана изделсе, MSC–SWIR айкалышы алдыга чыгат. Ал эми модель татаалдыгы да эсепке алынса, Savitzky–Golay–SWIR модели үч гана PLS компоненти менен жогорку баалоо күчүн сактаган. Демек, изилдөөдө эң жогорку тактык менен эң жөнөкөй модель бир эле конфигурация эмес.

Жогорку жана төмөн белок топторундагы баалоолор

Жогорку жана төмөн %10дук белок топторунда Savitzky–Golay менен алдын ала иштетилген PLSR моделдери өзүнчө салыштырылган. Жогорку белок тобунда өлчөнгөн маани 15,030 ± 0,908 %, SWIR баалоосу 14,988 ± 1,588 %, VNIR баалоосу 15,176 ± 2,664 % болуп билдирилген. Төмөн белок тобунда өлчөнгөн маани 11,838 ± 1,02 % болсо, VNIR 12,254 ± 2,538 %, SWIR 10,845 ± 2,156 % деп баалаган.

Бул жалгыз топтук орточолор жалпы модель көрсөткүчүнүн ордуна колдонулбашы керек. Изилдөөчүлөрдүн SWIR артыкчылыгы жөнүндөгү чечмелөөсү бул эки топтун орточосуна гана эмес, test R², RMSE, Q² жана кайчылаш текшерүү натыйжаларынын жалпысына негизделет.

Изилдөө колдогон жыйынтыктар

• YOLOv11 гиперспектралдык сүрөттөрдө ар бир буудай данын автоматтык сегментациялоодо жогорку көрсөткүч бере алган.
• Маалыматтарды көбөйтүү cropped сүрөттөрдөгү сегментациянын жалпылоосун кыйла жакшырткан.
• DBSCAN жана Random Forest ыкмасы YOLO кутуларынын ичинен спектралдык ROI тандоону автоматташтырган.
• SWIR негизиндеги PLSR бул маалымат топтомунда VNIR негизиндеги моделдерге караганда жогорураак жана туруктуураак белок баалоосун берген.
• MSC–SWIR эң жогорку test R² маанисин берген.
• Savitzky–Golay–SWIR үч гана PLS компоненти менен жөнөкөйүрөөк, бирок күчтүү модель түзгөн.
• YOLOv11 изилдөөдөгү YOLOv8 салыштыруусунда кыскараак иштетүү убактысын көрсөткөн.

Изилдөө колдобогон жыйынтыктар

• Модель бардык буудай сортторунда жана бардык өлкөлөрдө бирдей тактык бере турганы көрсөтүлгөн эмес.
• Башка SWIR/VNIR камераларындагы көрсөткүч текшерилген эмес.
• Көзөмөлсүз завод же талаа шарттарында ошол эле натыйжалар сакталары далилденген эмес.
• Модель белок молекуласын түздөн-түз “көрбөйт”; ал спектралдык чагылуу менен Dumas эталондук маанисинин ортосундагы статистикалык байланышты үйрөнөт.
• YOLOнун жогорку F1 мааниси белок регрессиясы да ошол эле тактыкта дегенди билдирбейт.
• VNIR жалпы бардык химиялык баалоо тапшырмаларында жетишсиз деген жыйынтык чыгарууга болбойт.
• SWIR артыкчылыгы ушул изилдөө, ушул сенсорлор, ушул үлгүлөр жана ушул белок баалоо контекстинде каралышы керек.

Негизги чектөөлөр

Бардык гиперспектралдык сүрөттөр ошол эле Specim SWIR жана Specim IQ камералары менен, көзөмөлдөнгөн жарыктандыруу жана стандарттык жайгаштыруу шартында алынган. Изилдөөчүлөр 84 сүрөттүн бардыгы боюнча көрсөткүчтү баалоого окутууда колдонулган сүрөттөр да киргенин ачык белгилешет. Cropped аймактарда өзүнчө баалоо жүргүзүлгөнү менен, чыныгы системалар аралык жалпылоо үчүн башка мекемелерге, башка түзмөктөргө жана ар түрдүү айлана-чөйрө шарттарына тиешелүү көз карандысыз маалымат топтомдору керек.

Дан өсүмдүктөрүнүн гиперспектралдык сүрөттөрү үчүн чоң жана стандартташтырылган ачык маалымат топтомдорунун жоктугу изилдөөнүн кеңири benchmark салыштырууларын жүргүзүүсүн да чектеген.

Булак ичиндеги сандык отчет боюнча эскертүү

Булактын натыйжалар бөлүмүндө YOLO үчүн “максималдуу F1 = 0,9989” деген сөз колдонулат; бирок изилдөөнүн таблицаларында ар кандай маалымат жана баалоо шарттары үчүн R10 = 0,9995, IA10 = 0,9996 жана cropped IA4 = 1,0000 маанилери бар. Ошондуктан көрсөткүч маанилери кайсы таблицага жана баалоо шартына тиешелүү экени көрсөтүлүп чечмелениши керек.

Мындан тышкары, ыкма бөлүмүндө VNIR үчүн 7 nm, SWIR үчүн 12 nm FWHM спектралдык ажыратымдуулук билдирилсе, талкуу бөлүгүндө болжол менен 3,0 nm жана 5,2 nm маанилери кайрадан “spectral resolution” аталышы астында колдонулат. Булак бул эки маанилер тобунун оптикалык ажыратымдуулук менен спектралдык үлгүлөө аралыгынын айырмасын ачык аныктабагандыктан, бул жерде алардын бири экинчисинин ордуна оңдолгон эмес.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Жооптуу автор: Donghwan Shim.

Мекемелер: 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.

Журнал: Journal of Agriculture and Food Research.

Том / макала номери: 26 (2026), 102679.

DOI: 10.1016/j.jafr.2026.102679

Басмакана: Elsevier B.V.

Кабыл алынган күнү: 20 Август 2025.

Ревизия: 8 Январь 2026.

Кабыл кылынган күнү: 14 Январь 2026.

Онлайн жарыя: 17 Январь 2026.

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

Каржылоо: Rural Development Administration, Republic of Korea, Cooperative Research Program for Agricultural Science and Technology Development No. RS-2025-00512183; ошондой эле 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.

Кызыкчылыктардын кагылышы: Авторлор изилдөөгө таасир этиши мүмкүн болгон белгилүү каржылык кызыкчылык же жеке мамиле тууралуу билдиришкен эмес.

Маалыматтардын жеткиликтүүлүгү: Маалыматтар суроо-талап боюнча берилери көрсөтүлгөн.

Илимий чек: Натыйжалар көзөмөлдөнгөн лабораториялык гиперспектралдык сүрөттөө шарттарына тиешелүү. Башка сенсорлордо, көз карандысыз мекемелердин маалымат топтомдорунда жана өзгөрмө айлана-чөйрө шарттарында тышкы текшерүү жүргүзүлгөн эмес. Изилдөөнүн күчтүү жыйынтыгы — учурдагы стандартташтырылган түзүлүш ичинде SWIR + YOLOv11 + спектралдык ROI + PLSR архитектурасы жогорку өткөрүмдүүлүктөгү чийки белок баалоосу үчүн колдонууга жарактуу экени; бул универсалдуу түзмөктөр аралык талаа көрсөткүчү эмес.

Verianla баяндоо принциби: Бул мазмун түпнуска академиялык макаланын толук тексттик котормосу эмес. Эксперименттин дизайны, математикалык метрикалар, түзмөк шарттары, билдирилген көрсөткүч маанилери жана ыкмалык чектөөлөр булакка берилген бойдон сакталган; баяндоо өз алдынча илимий үйрөнүү түзүмүндө кайра курулган. Академиялык шилтеме жана булактагы сүрөттөрдүн түпкү контексти үчүн DOI аркылуу жарыяланган изилдөө каралышы керек.