SWIR giperspektral tasvirlash — obyektning qisqa to‘lqinli infraqizil sohadagi ko‘plab tor to‘lqin uzunliklarida qaytish ma’lumotini bitta tasvir ichida qayd etadigan buzmasdan tasvirlash usulidir. Ushbu tadqiqot bug‘doy donlarining xom protein miqdorini tez va buzmasdan baholash maqsadida SWIR va VNIR giperspektral tasvirlashni YOLOv11 asosidagi don segmentatsiyasi, DBSCAN va Random Forest asosidagi qiziqish sohasini tanlash hamda Qisman Eng Kichik Kvadratlar Regressiyasi (Partial Least Squares Regression, PLSR) bilan birlashtirgan. Jami 45 ta bug‘doy navidan 2023 va 2024 yillarda olingan 4200 ta fizik don ikki xil spektral tizimda tasvirlangan, etalon xom protein qiymatlari Dumas azot tahlili orqali aniqlangan. Tadqiqotning asosiy natijasi shundan iboratki, nazorat qilinadigan tasvirlash sharoitlarida SWIR spektri xom proteinni baholash bo‘yicha VNIRga nisbatan sezilarli darajada yuqori va barqarorroq umumlashtirish samaradorligini ta’minlagan.

Eng yuqori SWIR test samaradorligi Multiplicative Scatter Correction (MSC) oldindan ishlovi bilan Test R² = 0,8725 va RMSE = 0,7479 sifatida olingan. Shu bilan birga Savitzky–Golay oldindan ishlovi PLS komponentlari sonini xom ma’lumotdagi 10 dan 3 gacha kamaytirar ekan, Test R² = 0,8449 va Q² = 0,8487 qiymatlarini saqlab, soddaroq modelni ta’minlagan. SWIR modellarida sinovdan o‘tkazilgan barcha oldindan ishlov usullarining Q² qiymati 0,84 dan yuqori qolgan bo‘lsa, eng yaxshi VNIR modeli Test R² = 0,5750 va Q² = 0,5793 darajasidadir.

YOLOv11 segmentatsiyasi ma’lumotlarni ko‘paytirish qo‘llanganda cropped tasvirlarda F1 qiymatini 0,99 dan yuqorida saqlay olgan. Modelning median ishlov berish vaqti 25,00 ms deb o‘lchangan va ayni tadqiqotdagi YOLOv8 taqqosloviga ko‘ra taxminan 2,57 marta tezroq ishlagan. Biroq natijalar ayni kameralar, nazorat qilinadigan yoritish va standart tasvirlash protokoli ostida olingan. Turli qurilmalarda, turli muhit sharoitlarida va mustaqil tashkilotlarning ma’lumotlar to‘plamlarida ayni samaradorlik saqlanishi ushbu tadqiqot tomonidan isbotlanmagan.

Nega bug‘doyning xom protein miqdori o‘lchanadi?

Bug‘doyning protein tarkibi, ayniqsa gluten tarmog‘ini hosil qiluvchi gliadin va glutenin proteinlari tufayli unning qayta ishlanish xususiyatlari bilan chambarchas bog‘liq. An’anaviy xom protein miqdorini aniqlashda Kjeldahl yoki Dumas kabi kimyoviy usullardan foydalanish mumkin. Bu usullar yuqori aniqlikni ta’minlashi mumkin bo‘lsa-da, namunaning tayyorlanishi, maydalashi va kimyoviy yoki yonishga asoslangan tahlilni talab qiladi. Ko‘p sonli donlarni tez tasniflash kerak bo‘lgan ishlab chiqarish yoki sifat nazorati ssenariysida har bir donni ushbu usullar bilan alohida tekshirish yuqori unumli skriningni cheklaydi.

Yaqin infraqizil spektroskopiya buzmasdan tahlil qilish imkonini beradi; biroq klassik spektrofotometrlar odatda namunaning cheklangan qismidan spektr oladi. Giperspektral tasvirlash esa tasvirning har bir fazoviy nuqtasida ko‘plab to‘lqin uzunliklarining qaytish ma’lumotlarini birlashtirib, ham “qayerda?”, ham “qanday spektral xususiyatda?” savollarini bitta ma’lumotlar to‘plamida ko‘rib chiqish imkonini beradi.

Nega SWIR Bug‘doy Proteini Bahosida VNIRdan Kuchliroq Natija Berdi?

SWIR sohasi proteinlardagi N–H, C=O va C–N bog‘larining tebranish obertonlari hamda kombinatsion polosalari bilan bog‘liq spektral ma’lumotni qamrab olgani sababli ushbu tadqiqotda xom protein miqdoriga oid nisbatan bevosita kimyoviy signallarni tashigan. Aksincha, qo‘llanilgan VNIR diapazoni protein bilan bog‘liq mazkur aniq yutilish sohalarining muhim qismini qamrab olmagan; don po‘sti rangi kabi protein bilan kuchsiz bog‘liq fizik xususiyatlardan ko‘proq ta’sirlangan. Natijada SWIR asosidagi PLSR modellari barcha oldindan ishlov variantlarida Q² > 0,84 darajasida qolgan, VNIR modellarining umumlashtirish samaradorligi esa sezilarli darajada past bo‘lgan.

Tadqiqotda VNIR diapazoni 397,32–1003,58 nm, SWIR diapazoni esa 982,08–2576,58 nm. Yuqori va past xom protein guruhlarining o‘rtacha spektrlari taqqoslanganda VNIRda faqat bitta yaqqol burilish nuqtasi aniqlangan, SWIR spektrida esa sakkizta burilish nuqtasi topilgan:

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

Mualliflar 1473,9 nm nuqtasini N–H tebranishlari bilan bog‘liq taxminan 1500–1530 nm sohasiga; 2283,0 va 2316,2 nm nuqtalarini esa protein tuzilishidagi C=O va N–H tebranishlari bilan bog‘liq kombinatsion polosalar yaqinidagi spektral xususiyatlar sifatida talqin qiladilar. Bu talqin kuzatilgan burilish nuqtalari protein bilan bog‘liq tebranishlardan kelib chiqishi mumkinligini ko‘rsatadi; tadqiqot bu nuqtalarning har biri uchun mustaqil molekulyar tasdiqlashni amalga oshirmagan.

VNIRda aniqlangan taxminan 1000,5 nm burilish nuqtasi esa sensor diapazonining chekka chegarasida joylashgan. Tadqiqotchilar ushbu keskin spektral o‘zgarish haqiqiy biokimyoviy signaldan ko‘ra qurilmaning o‘lchash chegarasidagi shovqinni ifodalashi ehtimoliga e’tibor qaratadilar.

YOLOv11 Ushbu Tadqiqotda Nima Qiladi?

YOLOv11 ushbu tadqiqotda xom protein miqdorini bevosita baholaydigan model emas; u giperspektral tasvirlardagi alohida bug‘doy donlari va oq etalon sohalarini avtomatik segmentatsiya qilib, har bir donga tegishli spektral ma’lumot olinadigan fazoviy chegarani aniqlovchi chuqur o‘rganish komponentidir. Protein bahosi keyingi bosqichda ushbu segmentlardan olingan spektral xususiyatlarni PLSR modeliga berish orqali amalga oshiriladi.

Bu farq tizimni tushunish nuqtai nazaridan muhim. Tadqiqotda uch xil analitik ish o‘zaro bog‘langan:

1. Obyektni topish: YOLOv11 tasvirning qaysi sohasi bug‘doy doni ekanini aniqlaydi.
2. Spektral ROI-ni aniqlashtirish: UMAP, DBSCAN va Random Forest Classifier yordamida YOLO qutisi ichidagi haqiqatan donga tegishli piksellar ajratiladi.
3. Kimyoviy xususiyatni baholash: Tanlangan piksellardan chiqarilgan spektr PLSR modeliga kiritiladi va xom protein miqdori baholanadi.

Nega faqat YOLO segmentatsiyasi yetarli deb hisoblanmadi?

YOLO donning joylashuvini aniqlay olsa-da, hosil bo‘lgan bounding box nafaqat donni, balki uning atrofidagi fon piksellarini ham o‘z ichiga olishi mumkin. Giperspektral baholashda bir necha noto‘g‘ri piksel ham o‘rtacha qaytish spektrini o‘zgartirishi mumkinligi sababli tadqiqotchilar donning haqiqiy spektral sohasini alohida tasniflagan.

Shu maqsadda spektral ma’lumotlar avval Min-Max masshtablash orqali 0–1 oralig‘iga keltirilgan, UMAP yordamida o‘lchamni kamaytirish qo‘llangan va keyin DBSCAN klasterlari hosil qilingan. DBSCAN hosil qilgan sinf yorliqlari Random Forest Classifier-ni o‘qitish uchun ishlatilgan. Eksperimental baholashda DBSCAN uchun eps = 0,46; Random Forest uchun maksimal chuqurlik = 2 tanlangan.

Yakuniy ROI ajratishda juda past qaytishni ko‘rsatgan sohalar ham chiqarib tashlangan. Umumiy median qaytishdan %30 dan ko‘proq past qaytishga ega sohalar olib tashlangan va ustma-ust tushgan aniqlash qutilarida Intersection over Union (IoU) asosidagi non-maximum suppression qo‘llangan.

Xom Protein Miqdori Ushbu Tadqiqotda Aslida Qanday O‘lchandi?

Model o‘rganadigan etalon xom protein qiymati giperspektral kameradan hosil qilinmagan; tasvirlash tugagach, bug‘doy namunalari maydalangan, Dumas analizatori bilan umumiy azot miqdori o‘lchangan va azot qiymati 5,7 konversiya koeffitsiyentiga ko‘paytirilib xom protein miqdori hisoblangan. Shu tariqa tasvirga asoslangan model kimyoviy etalon o‘lchovini baholashni o‘rgangan.

Namunalar Automill qurilmasida 140 rpm da 60 soniya davomida ikki marta, jami 120 soniya gomogenlashtirilgan. Umumiy azot tahlili FlashSmart CHNS/O Dumas analizatori bilan amalga oshirilgan.

Jami 306 ta etalon xom protein o‘lchovi bajarilgan:

• 2023 hosili: 45 nav × 3 texnik takror = 135 o‘lchov,
• 2024 qishki bug‘doy: 45 nav × 3 texnik takror = 135 o‘lchov,
• 2024 yilda tanlangan 6 vakillik nav: 6 nav × 6 texnik takror = 36 o‘lchov.

PLSR Ushbu Tizimda Nimani Baholaydi?

PLSR o‘zaro yuqori darajada korrelyatsiyalangan yuzlab spektral to‘lqin uzunliklarini kamroq yashirin komponentlarda ifodalab, shu spektral ma’lumot asosida etalon xom protein qiymatini baholaydigan regressiya modelidir. Bu xususiyat qo‘shni to‘lqin uzunliklari o‘zaro kuchli bog‘langan giperspektral ma’lumotlar uchun ayniqsa foydalidir.

VNIR modelida 204 tasmaning barchasi, SWIR modelida esa 288 tasmaning barchasi ishlatilgan. Modeldan oldin xom spektr bilan birga uch xil spektral oldindan ishlov usuli baholangan:

• SNV — Standard Normal Variate: sochilish va masshtab farqlarini kamaytirishga qaratilgan standartlashtirish yondashuvi.
• MSC — Multiplicative Scatter Correction: multiplikativ yorug‘lik sochilishi va shunga o‘xshash ta’sirlarni tuzatishga qaratilgan usul.
• Savitzky–Golay: spektral shovqinni kamaytirish va spektral shaklni saqlashga qaratilgan silliqlash/hosila yondashuvi.

Savitzky–Golay uchun oyna uzunliklari 5, 7, 9 va 11; polinom darajalari 2 va 3; hosila darajalari 1 va 2; PLS komponentlari soni esa 1–30 oralig‘ida grid search bilan baholangan.

Model samaradorligi metrikalari

Tadqiqotda uchta asosiy samaradorlik metrikasi ishlatilgan.

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

Bu yerda \(y_i\) kuzatilgan xom protein qiymati, \(\hat{y}_i\) model bahosi va \(\bar{y}\) kuzatilgan qiymatlarning o‘rtachasidir. \(R^2\) model ma’lumotlar variatsiyasini qay darajada izohlashini ko‘rsatadi.

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

RMSE baholash xatolari kvadratlari o‘rtachasining kvadrat ildizidir. Shu sababli pastroq RMSE baholar etalon qiymatlarga umuman yaqinroq ekanini ko‘rsatadi.

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

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

\(Q^2\) o‘zaro tekshirish vaqtida ko‘rilmagan namunalarga oid baholar qay darajada mazmunli ekanini baholash uchun ishlatiladigan prognostik moslik ko‘rsatkichidir. Tadqiqotda ayniqsa SWIR modellarining Q² qiymatlari barcha oldindan ishlov usullarida 0,84 dan yuqori bo‘lishi model barqarorligining asosiy dalillaridan biri sifatida ishlatilgan.

Tadqiqot Usuli va Natijalari

O‘simlik materiali va namuna tuzilishi

Tadqiqotda Koreyada yetishtirilgan 45 ta bug‘doy navi ishlatilgan. 2023 hosilida har bir nav uchun 20 ta don va uchta texnik takror bilan jami 2700 ta don tasvirlangan. 2024 hosilida shu 45 navdan 900 ta don hamda Koreyada keng yetishtiriladigan oltita vakillik navdan har bir nav uchun 100 tadan qo‘shimcha 600 ta don ishlatilgan. Shunday qilib, 2024 yil jami 1500, butun tadqiqot jami esa 4200 ta fizik bug‘doy doniga yetgan.

Har bir fizik don VNIR va SWIR tizimlarida alohida tasvirlangani uchun 42 VNIR va 42 SWIR, jami 84 giperspektral tasvir hosil qilingan va tahlil yakunida 4200 × 2 = 8400 individual spektral don profili olingan.

Ikki giperspektral tasvirlash tizimi

SWIR tasvirlashda harakatlanuvchi konveyer ishlatilgan. Har ikki tizimda xom intensivlik qiymatlari oq va qorong‘i etalonlar yordamida qaytishga aylantirilgan:

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

Bu yerda \(R\) kalibrlangan qaytish, \(I\) o‘lchangan xom intensivlik, \(D\) qorong‘i tok intensivligi va \(W\) oq etalon intensivligidir. Tenglama sensorning qorong‘i signalini ayirgandan so‘ng o‘lchovni oq etalon diapazoniga normallashtiradi.

YOLOv11 o‘qitish ma’lumotlar to‘plami qanday yaratildi?

Jami 84 tasvirning 10 tasi — 5 VNIR va 5 SWIR — tasodifiy tanlanib, Labelme bilan qo‘lda belgilangan. Donlar sinf 0, oq etalon esa sinf 1 sifatida belgilangan va dastlab 1000 ta don yorlig‘i hamda 10 ta oq etalon yorlig‘i yaratilgan.

Giperspektral kublar YOLO o‘qitishi uchun uchta tasmadan pseudo-RGB tasvirlarga aylantirilgan. VNIR uchun 634,11 nm, 560,30 nm va 452,25 nm; SWIR uchun esa 1133,52 nm, 1335,78 nm va 1662,69 nm tasmalar ishlatilgan.

Ma’lumotlarni ko‘paytirishda random cropping va image concatenation qo‘llangan va manba tadqiqot hisobotiga ko‘ra o‘qitish ma’lumotlar to‘plami dastlabki ma’lumotlar to‘plamiga nisbatan 110 marta kattalashtirilgan.

YOLOv11 o‘qitish parametrlari

O‘qitish ish stansiyasi AMD Ryzen 5 3600 protsessori, 32 GB RAM va NVIDIA RTX 3060 GPU dan foydalangan. Mixed-precision training (AMP) yoqilgan.

Ma’lumotlarni Ko‘paytirish YOLO Umumlashtirishiga Qanday Ta’sir Qildi?

Ma’lumotlarni ko‘paytirish modelning ayni bug‘doy doni tasvirlaridagi joylashuv, masshtab va qirqish o‘zgarishlariga chidamliligini sezilarli darajada oshirgan. Xom tasvirlar bilan o‘qitilgan modellar barcha to‘liq o‘lchamli tasvirlarda juda yuqori F1 qiymatlariga erisha olgan bo‘lsa-da, cropped tekshirish tasvirlarida recall va F1 pasaygan; ko‘paytirilgan o‘qitish to‘plamlari ishlatilganda cropped tasvirlarda F1 qiymatlari yana taxminan 0,99–1,00 oralig‘iga ko‘tarilgan.

Ushbu jadval faqat tadqiqotning cropped tasvirlardan tuzgan tekshirish sharoitini ifodalaydi. Turli kamera, tashkilot yoki muhit sharoitlaridagi umumiy samaradorlik sifatida talqin qilinmasligi kerak.

Ishlov berish tezligi

YOLOv11 segmentatsiyasining median umumiy ishlov berish vaqti 25,00 ms deb o‘lchangan. Ayni taqqoslashda YOLOv8 uchun 64,30 ms xabar qilingan. 25 ms/tasvir qiymati nazariy jihatdan taxminan 40 tasvir/soniya ishlov berish tezligiga mos keladi va tadqiqotchilar buni yuqori unumli ma’lumotlarni qayta ishlash nuqtai nazaridan muhim afzallik deb baholagan.

PLSR o‘qitish/tekshirish/test strategiyasi

2023 va 2024 spektral ma’lumotlari birlashtirilgan va umumiy ma’lumotning %10 i tasodifiy mustaqil test to‘plami sifatida ajratilgan. Qolgan %90 da besh qatlamli o‘zaro tekshirish qo‘llangan; har bir fold ichida ma’lumot %80 o‘qitish va %20 tekshirish ko‘rinishida ishlatilgan.

VNIR va SWIR baholash natijalari

Jadval ikki xil “yaxshi model” tushunchasini ajratishni talab qiladi. Faqat eng yuqori test R² qidirilsa, MSC–SWIR kombinatsiyasi ajralib turadi. Biroq model murakkabligi ham hisobga olinsa, Savitzky–Golay–SWIR modeli faqat uchta PLS komponenti bilan yuqori baholash kuchini saqlagan. Demak, tadqiqotda eng yuqori aniqlik bilan eng sodda model bir xil konfiguratsiya emas.

Yuqori va past protein guruhlaridagi baholar

Yuqori va past %10 lik protein guruhlarida Savitzky–Golay bilan oldindan ishlangan PLSR modellari alohida taqqoslangan. Yuqori protein guruhida o‘lchangan qiymat 15,030 ± 0,908 %, SWIR bahosi 14,988 ± 1,588 %, VNIR bahosi 15,176 ± 2,664 % sifatida xabar qilingan. Past protein guruhida o‘lchangan qiymat 11,838 ± 1,02 % bo‘lsa, VNIR 12,254 ± 2,538 %, SWIR esa 10,845 ± 2,156 % baholagan.

Bu yagona guruh o‘rtachalari butun model samaradorligining o‘rniga ishlatilmasligi kerak. Tadqiqotchilarning SWIR ustunligi haqidagi talqini faqat ushbu ikki guruh o‘rtachasiga emas, balki test R², RMSE, Q² va o‘zaro tekshirish natijalarining umumiga asoslanadi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• YOLOv11 giperspektral tasvirlarda alohida bug‘doy donlarini avtomatik segmentatsiyalashda yuqori samaradorlikni ta’minlay olgan.
• Ma’lumotlarni ko‘paytirish cropped tasvirlardagi segmentatsiya umumlashtirishini sezilarli yaxshilagan.
• DBSCAN va Random Forest yondashuvi YOLO qutilari ichidan spektral ROI tanlashni avtomatlashtirgan.
• SWIR asosidagi PLSR ushbu ma’lumotlar to‘plamida VNIR asosidagi modellarga nisbatan yuqoriroq va barqarorroq protein bahosini ta’minlagan.
• MSC–SWIR eng yuqori test R² qiymatini bergan.
• Savitzky–Golay–SWIR atigi uchta PLS komponenti bilan soddaroq, biroq kuchli model yaratgan.
• YOLOv11 tadqiqotdagi YOLOv8 taqqoslovida qisqaroq ishlov berish vaqtini ko‘rsatgan.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

• Model barcha bug‘doy navlari va barcha mamlakatlarda bir xil aniqlikni ta’minlashi ko‘rsatilmagan.
• Turli SWIR/VNIR kameralardagi samaradorlik tasdiqlanmagan.
• Nazorat qilinmaydigan zavod yoki dala sharoitlarida ayni natijalar saqlanishi isbotlanmagan.
• Model protein molekulasini bevosita “ko‘rmaydi”; u spektral qaytish bilan Dumas etalon qiymati orasidagi statistik munosabatni o‘rganadi.
• YOLO ning yuqori F1 qiymati protein regressiyasi ham ayni aniqlikda degani emas.
• VNIR umuman barcha kimyoviy baholash vazifalarida yetarli emas degan xulosa chiqarib bo‘lmaydi.
• SWIR ustunligi ushbu tadqiqot, ushbu sensorlar, ushbu namunalar va ushbu protein baholash kontekstida baholanishi kerak.

Asosiy cheklovlar

Barcha giperspektral tasvirlar ayni Specim SWIR va Specim IQ kameralari bilan, nazorat qilinadigan yoritish va standart joylashtirish sharoitida olingan. Tadqiqotchilar 84 tasvirning barchasidagi samaradorlik bahosiga o‘qitishda foydalanilgan tasvirlar ham kiritilganini aniq ta’kidlaydi. Cropped sohalarda alohida baholash o‘tkazilgan bo‘lsa-da, haqiqiy tizimlararo umumlashtirish uchun boshqa tashkilotlar, boshqa qurilmalar va turli atrof-muhit sharoitlariga oid mustaqil ma’lumotlar to‘plamlari talab qilinadi.

Donli ekinlarning giperspektral tasvirlari uchun katta va standartlashtirilgan ochiq ma’lumotlar to‘plamlari yo‘qligi tadqiqotning kengroq benchmark taqqoslovlarini ham cheklagan.

Manba ichidagi sonli hisobot izohi

Manbaning natijalar bo‘limida YOLO uchun “maksimal F1 = 0,9989” ifodasi ishlatiladi; biroq tadqiqot jadvallarida turli ma’lumot va baholash sharoitlari uchun R10 = 0,9995, IA10 = 0,9996 va cropped IA4 = 1,0000 qiymatlari mavjud. Shu sababli samaradorlik qiymatlari qaysi jadval va baholash sharoitiga tegishli ekani ko‘rsatilgan holda talqin qilinishi kerak.

Bundan tashqari, usul bo‘limida VNIR uchun 7 nm, SWIR uchun 12 nm FWHM spektral aniqlik xabar qilingan bo‘lsa, muhokama qismida taxminan 3,0 nm va 5,2 nm qiymatlar yana “spectral resolution” ifodasi ostida ishlatiladi. Manba ushbu ikki qiymat guruhining optik aniqlik bilan spektral namunalash oralig‘i o‘rtasidagi farqini aniq belgilamagani sababli bu yerda ulardan biri ikkinchisining o‘rniga tuzatilmagan.

Manba va Usul Haqida Izoh

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

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

Mas’ul muallif: Donghwan Shim.

Tashkilotlar: 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.

Jild / maqola raqami: 26 (2026), 102679.

DOI: 10.1016/j.jafr.2026.102679

Nashriyot: Elsevier B.V.

Qabul qilib olingan sana: 20 Avgust 2025.

Tahrir: 8 Yanvar 2026.

Qabul qilingan sana: 14 Yanvar 2026.

Onlayn nashr: 17 Yanvar 2026.

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

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

Manfaatlar to‘qnashuvi: Mualliflar tadqiqotga ta’sir qilishi mumkin bo‘lgan ma’lum moliyaviy manfaat yoki shaxsiy munosabat haqida xabar bermagan.

Ma’lumotlarning mavjudligi: Ma’lumotlar so‘rov asosida taqdim etilishi bildirilgan.

Ilmiy chegara: Natijalar nazorat qilinadigan laboratoriya giperspektral tasvirlash sharoitlariga tegishli. Turli sensorlar, mustaqil tashkilotlarning ma’lumotlar to‘plamlari va o‘zgaruvchan muhit sharoitlarida tashqi tasdiqlash amalga oshirilmagan. Tadqiqotning kuchli natijasi mavjud standartlashtirilgan qurilma doirasida SWIR + YOLOv11 + spektral ROI + PLSR arxitekturasining yuqori unumli xom protein baholashi uchun qo‘llanishi mumkinligidir; bu universal qurilmalararo dala samaradorligi emas.

Verianla bayon qilish prinsipi: Ushbu mazmun asl akademik maqolaning to‘liq matn tarjimasi emas. Tajriba dizayni, matematik metrikalar, qurilma sharoitlari, xabar qilingan samaradorlik qiymatlari va uslubiy cheklovlar manbaga sodiq holda saqlangan; bayon mustaqil ilmiy o‘rganish tuzilmasida qayta qurilgan. Akademik iqtibos va manba shakllarining asl konteksti uchun DOI orqali nashr etilgan tadqiqot ko‘rib chiqilishi kerak.