Renk Momentleri ve Destek Vektör Makineleri Kullanarak Haploid Mısır Tohumlarının Tanımlanmasında Renk Uzaylarının Sınıflandırma Performansına Etkisinin Karşılaştırılması

Abstract

Katlanmış haploid mısır ıslah tekniği gerek ıslah süresini kısaltması, gerekse %100 homozigot hatlar elde edilmesi açısından, geleneksel ıslah yöntemleri ile karşılaştırıldığında önemli avantajlar sağlar. Katlanmış haploid mısır ıslah yönteminde önemli işlerden biri melezleme sonucunda elde edilen haploid ve diploid tohumların ayrıştırılmasıdır. Günümüzde bu işlemin elle yapılıyor olması, emek ve zaman kaybının yanı sıra yüksek sınıflandırma hatalarına neden olmaktadır. Bu çalışmada, haploid mısır tohumlarının tanımlanması için bilgisayar görmesine dayalı bir yöntem önerilmiştir. 3000 mısır tohumundan oluşan veri seti üzerinde yürütülen çalışmada, k-ortalamalar kümeleme yöntemi ile mısır tohum embriyoları bölütlenmiştir. RGB, HSV ve Lab renk uzaylarında her renk kanalı için ilk dört dereceden renk momentleri çıkarılmıştır. Böylece her renk uzayı için 12 öznitelik kullanılmıştır. Elde edilen öznitelikler destek vektör makinesi ile sınıflandırılmıştır. Daha genel sonuçlar elde edebilmek için 10-kat çapraz doğrulama yöntemi 20 kez tekrar edilmiştir. Deneysel sonuçlara göre en iyi performans Lab renk uzayında %87,03 doğruluk, %80,15 duyarlılık ve %93,00 özgünlük değerleriyle ölçülmüştür.Doubled haploid maize breeding technique provides significant advantages over conventional breeding methods both in terms of shortening breeding time and obtaining 100% homozygous lines. One of the important works in doubled haploid maize breeding method is the separation of haploid and diploid seeds obtained as a result of hybridization. Today, this process is performed by hand, as well as loss of labor and time causes high classification errors. In this study, a computer vision based method for identification of haploid maize seeds was proposed. In the study conducted on the dataset of 3000 maize seeds, seed embryos were segmented by k-means clustering method. In the RGB, HSV and Lab color spaces, the first four degrees of color moments are extracted for each color channel. Thus, 12 features were used for each color space. Obtained features were classified with support vector machine. To obtain more general results, the 10-fold cross-validation method was repeated 20 times. According to the experimental results, the best performance was measured with 87,03% accuracy, 80,15% sensitivity and 93,00% specificity in Lab color space.