SWIR hyperspectral taṣvîri, bir cismin ḳıṣa dalġa infrared mınṭıḳasındaki pek çoḳ dar dalġa ṭûlunda inʿikâs maʿlûmâtını aynı taṣvîr dâḫilinde ḳaydeden taḫrîbsiz bir taṣvîr usûlüdür. Bu çalışma, buġday dânelerinin ḫâm protein miḳdârını sürʿatli ve taḫrîbsiz sûrette taḳdîr etmek maḳṣadıyla SWIR ve VNIR hyperspectral imaging'i YOLOv11 esâslı dâne segmentation'ı, DBSCAN ve Random Forest esâslı ilgi bölgesi intihâbı ve Partial Least Squares Regression (PLSR) ile birleştirmiştir. Cemʿan 45 buġday çeşidinden 2023 ve 2024 senelerinde elde olunan 4200 fiʿlî dâne iki ayrı spektral sistemle taṣvîr edilmiş, mürâcaʿat ḫâm protein ḳıymetleri Dumas azot taḥlîli vâsıṭasıyla taʿyîn olunmuştur. Çalışmanın esâs netîcesi, murâḳabe olunan taṣvîr şerâʾiṭinde SWIR spectrum'unun ḫâm protein taḳdîri cihetinden VNIR'e nisbetle bâriz sûrette daha yüksek ve daha müstaḳarr genelleme performansı göstermesidir.

En yüksek SWIR test performansı Multiplicative Scatter Correction (MSC) ön işlemesiyle Test R² = 0,8725 ve RMSE = 0,7479 olarak elde olunmuştur. Bununla beraber Savitzky–Golay ön işlemesi, PLS bileşeni adedini ḫâm verideki 10'dan 3'e indirirken Test R² = 0,8449 ve Q² = 0,8487 ḳıymetlerini muhâfaza ederek daha sâde bir model temîn etmiştir. SWIR modellerinde tecrübe olunan bütün ön işleme usûllerinin Q² ḳıymeti 0,84'ün fevḳinde ḳalırken en iyi VNIR modeli Test R² = 0,5750 ve Q² = 0,5793 seviyesindedir.

YOLOv11 segmentation'ı, veri artırma tatbîḳ olunduġunda cropped taṣvîrlerde F1 ḳıymetini 0,99'un fevḳinde tutabilmiştir. Modelin medyan işlem müddeti 25,00 ms olarak ölçülmüş ve aynı çalışmadaki YOLOv8 muḳāyesesine göre taḳrîben 2,57 misli daha sürʿatli işlemiştir. Bununla beraber netîceler aynı kameralar, murâḳabe olunan tenvîr ve standart taṣvîr protokolü altında elde olunmuştur. Muḫtelif cihazlarda, muḫtelif çevre şerâʾiṭinde ve müstaḳil müʾesseselerin veri kümelerinde aynı performansın muhâfaza olunacağı bu çalışma ile isbât edilmiş değildir.

Buġdayın ḫâm protein miḳdârı niçin ölçülür?

Buġdayın protein terkîbi, bilḫâṣṣa gluten şebekesini teşkîl eden gliadin ve glutenin proteinleri sebebiyle unun işlenme ḫaṣṣalarıyla yaḳından alâḳalıdır. Anʿanevî ḫâm protein taʿyîninde Kjeldahl veya Dumas gibi kimyevî usûller kullanılabilir. Bu usûller yüksek doğruluk temîn edebilmekle beraber numûnenin hazırlanmasını, öğütülmesini ve kimyevî yahut yanma esâslı taḥlîli îcâb ettirir. Pek çoḳ dânenin sürʿatle tasnîf edilmesi lâzım gelen bir istihsâl veya ḳalite murâḳabesi senaryosunda her dânenin bu usûllerle ayrı ayrı tetḳîḳi yüksek verimli taramayı tahdîd eder.

Yakın infrared spektroskopisi taḫrîbsiz taḥlîl imkânı verir; lâkin klasik spektrofotometreler ekseriyâ numûnenin mahdûd bir ḳısmından spectrum alır. Hyperspectral imaging ise taṣvîrin her mekânsal noḳtasında pek çoḳ dalġa ṭûlunun inʿikâs maʿlûmâtını bir araya getirerek hem “nerede?” hem de “hangi spektral ḫaṣṣada?” suʾallerini aynı veri kümesinde ele alabilir.

SWIR, buġday proteini taḳdîrinde niçin VNIR'den daha ḳuvvetli netîce verdi?

SWIR mınṭıḳası, proteinlerde mevcûd N–H, C=O ve C–N râbıṭalarının titreşim üst tonları ve kombinasyon bantlarıyla alâḳalı spektral maʿlûmâtı ihtivâ ettiğinden bu çalışmada ḫâm protein miḳdârına dâʾir daha doğrudan kimyevî işâretler taşımıştır. Buna muḳābil kullanılan VNIR aralığı proteinle alâḳalı bu bâriz absorpsiyon mınṭıḳalarının mühim bir ḳısmını ihtivâ etmemiş; dâne ḳabuğu rengi gibi proteinle zaʿîf alâḳalı fizikî ḫaṣṣalardan daha ziyâde müteʾessir olmuştur. Netîce olarak SWIR esâslı PLSR modelleri bütün ön işleme seçeneklerinde Q² > 0,84 seviyesinde ḳalırken VNIR modellerinin genelleme performansı bâriz sûrette daha aşağı olmuştur.

Çalışmada VNIR aralığı 397,32–1003,58 nm, SWIR aralığı ise 982,08–2576,58 nm'dir. Yüksek ve düşük ḫâm protein gruplarının vasat spectrum'ları muḳāyese olunduġunda VNIR'de yalnız bir bâriz dönüş noḳtası tesbît edilirken SWIR spectrum'unda sekiz dönüş noḳtası taʿyîn olunmuştur:

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

Müʾellifler 1473,9 nm noḳtasını N–H titreşimleriyle alâḳalı taḳrîben 1500–1530 nm mınṭıḳasına; 2283,0 ve 2316,2 nm noḳtalarını ise protein bünyesindeki C=O ve N–H titreşimleriyle alâḳalı kombinasyon bantlarına yakın spektral ḫaṣṣalar olarak tefsîr etmektedir. Bu tefsîr, müşâhede olunan dönüş noḳtalarının proteinle alâḳalı titreşimlerden neşʾet edebileceğini düşündürmektedir; çalışma bu noḳtaların her biri için müstaḳil moleküler doğrulama icrâ etmemiştir.

VNIR'de tesbît olunan taḳrîben 1000,5 nm dönüş noḳtası ise sensör aralığının uç ḥaddinde bulunmaktadır. Muḥaḳḳıḳlar bu ânî spektral tebeddülün hakîkî biyokimyevî işâretten ziyâde cihazın ölçüm ḥaddindeki gürültüyü temsil etmesi ihtimâline dikkat çekmektedir.

YOLOv11 bu çalışmada ne yapıyor?

YOLOv11 bu çalışmada ḫâm protein miḳdârını doğrudan taḳdîr eden model değildir; hyperspectral taṣvîrlerdeki münferid buġday dânelerini ve beyaz referans mınṭıḳalarını otomatik olarak segment ederek her dâneye âʾid spektral verinin çıkarılacağı mekânsal ḥudûdu taʿyîn eden deep learning bileşenidir. Protein taḳdîri daha sonraki merḥalede bu segmentlerden çıkarılan spektral ḫaṣṣaların PLSR modeline verilmesiyle yapılmaktadır.

Bu tefrîḳ sistemin anlaşılması cihetinden mühimdir. Çalışmada üç ayrı analitik iş birbirine bağlanmıştır:

1. Cismin bulunması: YOLOv11 taṣvîrde hangi mınṭıḳanın buġday dânesi olduġunu taʿyîn eder.
2. Spektral ROI'nin rafine edilmesi: UMAP, DBSCAN ve Random Forest Classifier kullanılarak YOLO ḳutusu içindeki hakîkaten dâneye âʾid pikseller tefrîḳ olunur.
3. Kimyevî ḫaṣṣanın taḳdîri: Seçilen piksellerden çıkarılan spectrum PLSR modeline girer ve ḫâm protein miḳdârı taḳdîr olunur.

Yalnız YOLO segmentation'ı niçin kâfî görülmedi?

YOLO bir dânenin mevḳiʿini taʿyîn edebilse de elde olunan bounding box yalnız dâneyi değil etrâfındaki arka plan piksellerini de ihtivâ edebilir. Hyperspectral taḳdîrde birkaç hatâlı piksel dahi vasat inʿikâs spectrum'unu değiştirebileceğinden muḥaḳḳıḳlar dânenin hakîkî spektral mınṭıḳasını ayrıca tasnîf etmiştir.

Bu maḳṣadla spektral veriler evvelâ Min-Max ölçekleme ile 0–1 aralığına getirilmiş, UMAP kullanılarak boyut indirgeme tatbîḳ edilmiş ve akabinde DBSCAN kümeleri teşkîl olunmuştur. DBSCAN tarafından teşkîl olunan sınıf etiketleri Random Forest Classifier'ın taʿlîmi için kullanılmıştır. Tecrübî değerlendirmede DBSCAN için eps = 0,46; Random Forest için âzamî derinlik = 2 seçilmiştir.

Son ROI çıkarımında pek düşük inʿikâs gösteren mınṭıḳalar da elenmiştir. Umûmî medyan inʿikâstan %30'dan ziyâde düşük inʿikâsa mâlik mınṭıḳalar çıkarılmış ve üst üste gelen tesbît ḳutularında Intersection over Union (IoU) esâslı non-maximum suppression tatbîḳ olunmuştur.

Ḫâm protein miḳdârı bu çalışmada hakîkaten nasıl ölçüldü?

Modelin öğreneceği mürâcaʿat ḫâm protein ḳıymeti hyperspectral kameradan istihsâl edilmemiştir; taṣvîr tamamlandıḳtan sonra buġday numûneleri öğütülmüş, Dumas analizörüyle cemʿî azot miḳdârı ölçülmüş ve azot ḳıymeti 5,7 dönüşüm katsayısıyla çarpılarak ḫâm protein miḳdârı hesâb edilmiştir. Böylece taṣvîr esâslı model, kimyevî mürâcaʿat ölçümünü taḳdîr etmeyi öğrenmiştir.

Numûneler Automill cihazında 140 rpm'de 60 sâniye müddetle iki defʿa, cemʿan 120 sâniye homojenize edilmiştir. Cemʿî azot taḥlîli FlashSmart CHNS/O Dumas analizörü ile icrâ olunmuştur.

Cemʿan 306 mürâcaʿat ḫâm protein ölçümü yapılmıştır:

• 2023 ḥaṣâdı: 45 çeşit × 3 teknik tekrar = 135 ölçüm,
• 2024 ḳışlık buġday: 45 çeşit × 3 teknik tekrar = 135 ölçüm,
• 2024'te seçilen 6 temsîlî çeşit: 6 çeşit × 6 teknik tekrar = 36 ölçüm.

PLSR bu sistemde neyi taḳdîr ediyor?

PLSR, birbirleriyle yüksek derecede korelasyonlu yüzlerce spektral dalġa ṭûlunu daha az adedde gizli bileşende temsil ederek bu spektral maʿlûmâttan mürâcaʿat ḫâm protein ḳıymetini taḳdîr eden regression modelidir. Bu ḫaṣṣa, mücâvir dalġa ṭûllarının birbirine ḳuvvetle merbûṭ olduġu hyperspectral veri için bilḫâṣṣa fâʾidelidir.

VNIR modelinde 204 bandın tamâmı, SWIR modelinde ise 288 bandın tamâmı kullanılmıştır. Modelden evvel ḫâm spectrum'un yanı sıra üç ayrı spektral ön işleme usûlü değerlendirilmiştir:

• SNV — Standard Normal Variate: saçılma ve ölçek farklarını azaltmağa müteveccih standardizasyon yaklaşımı.
• MSC — Multiplicative Scatter Correction: multiplicative ışık saçılması ve benzeri teʾsîrleri tashîḥ etmeğe müteveccih usûl.
• Savitzky–Golay: spektral gürültüyü azaltmağa ve spektral şekli muhâfaza etmeğe müteveccih smoothing/türev yaklaşımı.

Savitzky–Golay için pencere uzunlukları 5, 7, 9 ve 11; polinom dereceleri 2 ve 3; türev dereceleri 1 ve 2; PLS bileşen adedi ise 1–30 arasında grid search ile değerlendirilmiştir.

Model performans metrikleri

Çalışmada üç esâs performans metriği kullanılmıştır.

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

Burada \(y_i\) müşâhede olunan ḫâm protein ḳıymeti, \(\hat{y}_i\) model taḳdîri ve \(\bar{y}\) müşâhede olunan ḳıymetlerin vasatıdır. \(R^2\), modelin veri varyasyonunu ne derecede îzâḥ ettiğini gösterir.

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

RMSE, taḳdîr hatâlarının kareleri vasatının kareköküdür. Binâenaleyh daha düşük RMSE, taḳdîrlerin mürâcaʿat ḳıymetlerine umûmiyetle daha yakın olduġunu gösterir.

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

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

\(Q^2\), çapraz doğrulama esnâsında görülmeyen numûnelere dâʾir taḳdîrlerin ne derecede maʿnâlı olduġunu değerlendirmek için kullanılan predictive uygunluk göstergesidir. Çalışmada bilḫâṣṣa SWIR modellerinin Q² ḳıymetlerinin bütün ön işleme usûllerinde 0,84'ün fevḳinde olması model istikrârının esâs delîllerinden biri olarak kullanılmıştır.

Çalışmanın Usûlü ve Bulguları

Nebâtî materyal ve numûne yapısı

Çalışmada Kore'de yetiştirilen 45 buġday çeşidi kullanılmıştır. 2023 ḥaṣâdında her çeşit için 20 dâne ve üç teknik tekrar kullanılarak cemʿan 2700 dâne taṣvîr edilmiştir. 2024 ḥaṣâdında aynı 45 çeşitten 900 dâne ile, Kore'de yaygın olarak yetiştirilen altı temsîlî çeşitten çeşit başına 100 dâne olacak sûrette ilâve 600 dâne kullanılmıştır. Böylece 2024 mecmûʿu 1500, bütün çalışma mecmûʿu ise 4200 fiʿlî buġday dânesine ulaşmıştır.

Her fiʿlî dâne VNIR ve SWIR sistemlerinde ayrı ayrı taṣvîr edildiğinden 42 VNIR ve 42 SWIR olmak üzere cemʿan 84 hyperspectral taṣvîr teşkîl edilmiş ve taḥlîl nihâyetinde 4200 × 2 = 8400 münferid spektral dâne profili elde olunmuştur.

İki hyperspectral taṣvîr sistemi

SWIR taṣvîrinde müteḥarrik konveyör kullanılmıştır. Her iki sistemde de ḫâm yoğunluk ḳıymetleri beyaz ve karanlık referanslar kullanılarak inʿikâsa tahvîl olunmuştur:

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

Burada \(R\) kalibre edilmiş inʿikâs, \(I\) ölçülen ḫâm yoğunluk, \(D\) karanlık akım yoğunluğu ve \(W\) beyaz referans yoğunluğudur. Muʿâdele, sensörün karanlık işâretini çıkardıktan sonra ölçümü beyaz referans aralığına normalize eder.

YOLOv11 taʿlîm veri kümesi nasıl teşkîl olundu?

Cemʿan 84 taṣvîrin 10'u — 5 VNIR ve 5 SWIR — tesâdüfen seçilerek Labelme ile elle etiketlenmiştir. Dâneler sınıf 0, beyaz referans ise sınıf 1 olarak taʿrîf edilmiş ve bidâyette 1000 dâne etiketi ile 10 beyaz referans etiketi teşkîl olunmuştur.

Hyperspectral küpler YOLO taʿlîmi için üç banddan pseudo-RGB taṣvîrlere tahvîl olunmuştur. VNIR için 634,11 nm, 560,30 nm ve 452,25 nm; SWIR için ise 1133,52 nm, 1335,78 nm ve 1662,69 nm bandları kullanılmıştır.

Veri artırmada random cropping ve image concatenation tatbîḳ edilmiş ve kaynak çalışmanın raporuna göre taʿlîm veri kümesi aṣlî veri kümesine nisbetle 110 misli büyütülmüştür.

YOLOv11 taʿlîm parametreleri

Taʿlîm iş istasyonunda AMD Ryzen 5 3600 işlemci, 32 GB RAM ve NVIDIA RTX 3060 GPU kullanılmıştır. Mixed-precision training (AMP) faʿâl edilmiştir.

Veri artırma YOLO genellemesini nasıl teʾsîr ettirdi?

Veri artırma, modelin aynı buġday dânesi taṣvîrlerinin mevḳiʿ, ölçek ve ḳırpma tebeddüllerine karşı dayanıklılığını bâriz sûrette artırmıştır. Ḫâm taṣvîrlerle taʿlîm edilen modeller bütün tam boy taṣvîrlerde pek yüksek F1 ḳıymetlerine erişebilmiş olmakla beraber cropped doğrulama taṣvîrlerinde recall ve F1 düşmüştür; artırılmış taʿlîm kümeleri kullanıldıġında cropped taṣvîrlerde F1 ḳıymetleri yeniden taḳrîben 0,99–1,00 aralığına yükselmiştir.

Bu cedvel yalnız çalışmanın cropped taṣvîrlerden teşkîl ettiği doğrulama şerṭini temsil eder. Muḫtelif kamera, müʾessese veya çevre şerâʾiṭindeki umûmî performans olarak tefsîr olunmamalıdır.

İşlem sürʿati

YOLOv11 segmentation'ının medyan cemʿî işlem müddeti 25,00 ms olarak ölçülmüştür. Aynı muḳāyesede YOLOv8 için 64,30 ms rapor olunmuştur. 25 ms/taṣvîr ḳıymeti nazariyyen taḳrîben 40 taṣvîr/sâniye işlem sürʿatine muḳābildir ve muḥaḳḳıḳlar bunu yüksek verimli veri işleme cihetinden mühim bir fâʾide olarak değerlendirmiştir.

PLSR taʿlîm/doğrulama/test stratejisi

2023 ve 2024 spektral verileri birleştirilmiş ve cemʿî verinin %10'u tesâdüfî müstaḳil test kümesi olarak ayrılmıştır. Ḳalan %90 üzerinde beş ḳatlı çapraz doğrulama tatbîḳ edilmiş; her fold içinde veri %80 taʿlîm ve %20 doğrulama sûretinde kullanılmıştır.

VNIR ve SWIR taḳdîr netîceleri

Cedvel iki ayrı “iyi model” mefhûmunu tefrîḳ etmeyi îcâb ettirir. Yalnız en yüksek test R² aranırsa MSC–SWIR kombinasyonu öne çıkar. Buna muḳābil model mürekkebliği de hesâba ḳatılırsa Savitzky–Golay–SWIR modeli yalnız üç PLS bileşeniyle yüksek taḳdîr ḳudretini muhâfaza etmiştir. Binâenaleyh çalışmada en yüksek doğruluk ile en sâde model aynı konfigürasyon değildir.

Yüksek ve düşük protein gruplarındaki taḳdîrler

Üst ve alt %10'luk protein gruplarında Savitzky–Golay ile ön işleme tâbiʿ tutulmuş PLSR modelleri ayrıca muḳāyese edilmiştir. Yüksek protein grubunda ölçülen ḳıymet 15,030 ± 0,908 %, SWIR taḳdîri 14,988 ± 1,588 %, VNIR taḳdîri 15,176 ± 2,664 % olarak rapor olunmuştur. Düşük protein grubunda ölçülen ḳıymet 11,838 ± 1,02 % iken VNIR 12,254 ± 2,538 %, SWIR 10,845 ± 2,156 % taḳdîr etmiştir.

Bu tek grup vasatları bütün model performansının yerine kullanılmamalıdır. Muḥaḳḳıḳların SWIR üstünlüğü hakkındaki tefsîri, yalnız bu iki grup vasatına değil test R², RMSE, Q² ve çapraz doğrulama netîcelerinin mecmûʿuna istinâd etmektedir.

Çalışmanın desteklediği netîceler

• YOLOv11, hyperspectral taṣvîrlerde münferid buġday dânelerinin otomatik segmentation'ında yüksek performans temîn edebilmiştir.
• Veri artırma, cropped taṣvîrlerdeki segmentation genellemesini bâriz sûrette iyileştirmiştir.
• DBSCAN ve Random Forest yaklaşımı, YOLO ḳutularının içinden spektral ROI intihâbını otomatikleştirmiştir.
• SWIR esâslı PLSR, bu veri kümesinde VNIR esâslı modellere nisbetle daha yüksek ve daha müstaḳarr protein taḳdîri sağlamıştır.
• MSC–SWIR en yüksek test R² ḳıymetini vermiştir.
• Savitzky–Golay–SWIR, yalnız üç PLS bileşeniyle daha sâde lâkin ḳuvvetli bir model teşkîl etmiştir.
• YOLOv11, çalışmadaki YOLOv8 muḳāyesesinde daha ḳıṣa işlem müddeti göstermiştir.

Çalışmanın desteklemediği netîceler

• Modelin bütün buġday çeşitlerinde ve bütün memleketlerde aynı doğruluğu temîn edeceği gösterilmiş değildir.
• Muḫtelif SWIR/VNIR kameralarındaki performans doğrulanmış değildir.
• Murâḳabesiz fabrika veya tarla şerâʾiṭinde aynı netîcelerin muhâfaza olunacağı isbât edilmiş değildir.
• Model doğrudan protein molekülünü “görmemektedir”; spektral inʿikâs ile Dumas mürâcaʿat ḳıymeti arasındaki istatistikî münâsebeti öğrenmektedir.
• YOLO'nun yüksek F1 ḳıymeti, protein regression'ının aynı doğrulukta olduġu maʿnâsına gelmez.
• VNIR'in umûmen bütün kimyevî taḳdîr vazîfelerinde kifâyetsiz olduġu netîcesi çıkarılamaz.
• SWIR üstünlüğü bu çalışma, bu sensörler, bu numûneler ve bu protein taḳdîri bağlamında değerlendirilmelidir.

Esâs tahdîdler

Bütün hyperspectral taṣvîrler aynı Specim SWIR ve Specim IQ kameralarıyla, murâḳabe olunan tenvîr ve standart mevḳiʿlendirme altında alınmıştır. Muḥaḳḳıḳlar, 84 taṣvîrin tamâmı üzerindeki performans değerlendirmesine taʿlîm için kullanılan taṣvîrlerin de dâḫil olduġunu ṣarâḥaten beyân etmektedir. Cropped mınṭıḳalar üzerinde ayrıca değerlendirme yapılmış olsa da hakîkî sistemler-arası genelleme için başka müʾesseselere, başka cihazlara ve muḫtelif çevre şerâʾiṭine âʾid müstaḳil veri kümeleri lâzımdır.

Hubûbât hyperspectral taṣvîrleri için büyük ve standardize edilmiş umûmî veri kümelerinin bulunmaması, çalışmanın daha geniş benchmark muḳāyeseleri yapmasını da tahdîd etmiştir.

Kaynak içi adedî raporlama notu

Kaynak netîceler ḳısmında YOLO için “âzamî F1 = 0,9989” ifâdesini kullanmaktadır; buna muḳābil çalışmanın cedvellerinde muḫtelif veri ve değerlendirme şerâʾiṭi için R10 = 0,9995, IA10 = 0,9996 ve cropped IA4 = 1,0000 ḳıymetleri bulunmaktadır. Bu sebeple performans ḳıymetleri hangi cedvel ve değerlendirme şerṭine âʾid olduġu beyân edilerek tefsîr olunmalıdır.

Ayrıca usûl ḳısmında VNIR için 7 nm, SWIR için 12 nm FWHM spektral çözünürlük rapor olunurken müzâkere ḳısmında taḳrîben 3,0 nm ve 5,2 nm ḳıymetleri yine “spectral resolution” ifâdesi altında kullanılmaktadır. Kaynak bu iki ḳıymet grubunun optik çözünürlük ile spektral örnekleme aralığı tefrîḳini ṣarîḥ sûrette taʿrîf etmediğinden burada herhangi biri diğerinin yerine tashîḥ edilmemiştir.

Menbaʿ ve Usûl Notu

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

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

Mesʾûl müʾellif: Donghwan Shim.

Müʾesseseler: 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.

Mecmûʿa: Journal of Agriculture and Food Research.

Cild / makale numarası: 26 (2026), 102679.

DOI: 10.1016/j.jafr.2026.102679

Nâşir: Elsevier B.V.

Alınma târîḫi: 20 Ağustos 2025.

Revizyon: 8 Ocak 2026.

Ḳabûl târîḫi: 14 Ocak 2026.

Çevrimiçi neşir: 17 Ocak 2026.

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

Mâlî destek: Rural Development Administration, Republic of Korea, Cooperative Research Program for Agricultural Science and Technology Development No. RS-2025-00512183; ayrıca 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.

Menfaʿat çatışması: Müʾellifler çalışmayı teʾsîr edebilecek maʿlûm mâlî menfaʿat veya şahsî münâsebet bildirmemiştir.

Verinin erişilebilirliği: Verilerin taleb üzerine temîn olunacağı beyân edilmiştir.

İlmî ḥudûd: Netîceler murâḳabe olunan laboratuvar hyperspectral imaging şerâʾiṭine âʾiddir. Muḫtelif sensörler, müstaḳil müʾessese veri kümeleri ve müteġayyir çevre şerâʾiṭi üzerinde hâricî doğrulama yapılmamıştır. Çalışmanın ḳuvvetli netîcesi, mevcûd standardize edilmiş tertîb içinde SWIR + YOLOv11 + spektral ROI + PLSR miʿmârîsinin yüksek verimli ḫâm protein taḳdîri için tatbîḳ edilebilirliğidir; cihâzlar-arası umûmî saha performansı değildir.

Verianla beyân usûlü: Bu muhtevâ aṣlî akademik makalenin tam metin tercümesi değildir. Tecrübe tertîbi, riyâżî metrikler, cihaz şerâʾiṭi, rapor olunan performans ḳıymetleri ve usûle dâʾir tahdîdler menbaʿa sâdıḳ tutulmuş; beyân müstaḳil bir ilmî öğrenme yapısı içinde yeniden kurulmuştur. Akademik atıf ve kaynak şekillerin aṣlî bağlamı için DOI üzerinden neşredilmiş çalışma tetḳîḳ edilmelidir.