Mısır Tanesinde Bulunan Yağ ve Karotenoid Miktarlarının Görüntü İşleme Tekniğiyle Tahmini

Abstract

Mısır tohumlarının bileşenlerinden olan yağ ve karotenoid içeriğine yönelik ıslah çalışmalarında örneklerin analizi için kullanılan kimyasal yöntemler zahmetli ve pahalı işlemlerdir. Bu nedenle örnek tarama ve karakterizasyon amacıyla kullanılabilecek farklı tekniklere ihtiyaç duyulmaktadır. Tarımın hemen her alanında yaygınlaşmaya başlayan görüntü işleme teknikleri bu bağlamda önemli fırsatlar sunmaktadır. Bu çalışma, mısır tohumlarında yağ ve karotenoid içeriklerinin görüntü işlemeye dayalı yaklaşımlar kullanılarak tahminlenmesindeki başarı durumunu incelemek amacıyla yürütülmüştür. On beş farklı genotipten 3 tekrarlamalı dijital görüntüler alınmış, aynı örneklerde referans metotlarla yağ ve karotenoid içerikleri 10 tekrarlamalı olarak belirlenmiştir. Dijital görüntülerden bu çalışmaya özel olarak tasarlanan algoritma ile renk değeri ve embriyo alanı/oranına ilişkin sonuçlar çıkarılmıştır. Alınan dijital görüntülerdeki temel renk uzayı olan RGB uzayından HSV, Lab, XYZ uzaylarına ait veriler de elde edilmiştir. Referans analiz sonuçları yağ ve karotenoid için ayrı ayrı bağımlı değişken olarak atanmış ve diğer değişkenler tahminleyici olarak kullanılmak suretiyle rassal orman tekniğinden yararlanılarak tahmin modelleri geliştirilmiştir. Örneklerin yağ ve karotenoid bakımından değişimi tek yönlü varyans analizi ile değerlendirilmiştir. Yağ oranına ilişkin tahmin modelinin R2 değeri 0.8975, karotenoidinki ise 0.9617 olarak tespit edilmiştir. Oluşturulan modellerde renk değeri hariç diğer değişkenlerin tahmin amaçlı kullanılabileceği görülmüştür. Sonuçlar, incelen görüntü işleme yöntemlerinin mısır örneklerinin yağ ve karotenoid içeriğinin taranmasında ve karakterizasyonunda kullanılabileceğini göstermiştir.

Keywords

• Regresyon modeli
• renk uzayı
• rassal orman

Estimation of Oil and Carotenoid Quantities in Maize Grain by Image Processing Technique

Abstract

Chemical methods used for the analysis of samples in breeding studies for oil and carotenoid content, components of maize seeds, are laborious and expensive procedures. Therefore, there is a need for different techniques that can be used for sample screening and characterization. Image processing techniques, which have become widespread in almost every field of agriculture, offer important opportunities in this context. This study was conducted to examine the success of estimating oil and carotenoid contents in maize seeds using image processing-based approaches. Digital images were taken from fifteen different genotypes in 3 replicates and oil and carotenoid contents were determined using 10 replicates in the same samples using reference methods. Color value and embryo area/ratio were extracted from the digital images with the algorithm designed specifically for this study. Data on HSV, Lab, XYZ spaces were also obtained from RGB space, the basic color space in the images. The results of the reference analysis were assigned as dependent variables for oil and carotenoid ratios separately and prediction models were developed using random forest technique with other variables as predictors. The variation of samples in terms of oil and carotenoids was evaluated by one-way ANOVA. The R2 value of the prediction model for oil ratio was 0.8975 and that of carotenoid was 0.9617. It was seen that other variables except color value could be used for prediction purposes in the models created. The results showed that image processing methods can be used for screening and characterization of oil and carotenoid content of maize samples.

Keywords

• Regression model
• color space
• random forest

References

1. Al-Hiary, H., Bani-Ahmad, S., Reyalat, M., Braik, M., Alrahamneh, Z. 2011. Fast and accurate detection and classification of plant diseases. International Journal of Computer Applications, 17(1): 31-38.
2. AOAC. 2002. Fat Content. In: Official Methods of Analysis, Method 960.39, 17th Edition, Association Official Analytical Chemists, Gaithersburg.
3. Chandler, K., Lipka, A. E., Owens, B. F., Li, H., Buckler, E. S., Rocheford, T., Gore, M. A. 2012. Genetic analysis of visually scored orange kernel color in maize, Crop Science, 53(1): 189-200.
4. Cogdill, R. P., Hurburgh, C. R., Rippke, G. R., Bajic, S. J., Jones, R. W., McClelland, J. F., Liu, J. 2006. Single-kernel maize analysis by near-infrared hyperspectral imaging, Transactions of the ASAE, 47(1): 311.
5. Dado, R. G. 1999. Nutritional benefits of speciality corn grain hybrids in dairy diets, Journal of Animal Science, Volume 77, Issue suppl_2, pp 197–207, https://doi.org/10.2527/1999.77suppl_2197x
6. Damude, H. G., Kinney, A. J. 2008. Enhancing plant seed oils for human nutrition. Plant physiology, 147(3): 962-968. https://doi.org/10.1104/pp.108.121681
7. Effendi, M., Jannah, M., Effendi, U. 2019. IOP Conference Series: Earth and Environmental Science. 230 012066. International Conference on Green Agro-industry and Bioeconomy 18-20 September 2018, Universitas Brawijaya, East Java Indonesia.
8. Kandianis, C. B., Stevens, R., Liu, W., Palacios, N., Montgomery, K., Pixley, K., Rocheford, T. 2013. Genetic architecture controlling variation in grain carotenoid composition and concentrations in two maize populations, Theoretical and Applied Genetics, 126(11): 2879-2895.

9. Li, X., Wang, M., Zhang, R., Fang, H., Fu, X., Yang, X., Li, J. 2022. Genetic architecture of embryo size and related traits in maize. The Crop Journal, 10(1): 204-215, https://doi.org/10.1016/j.cj.2021.03.007.
10. McGorrin, R. J. 2009. One Hundred Years of Progress in Food Analysis, Journal of Agricultural and Food Chemistry, 57(18): 8076-8088, doi: 10.1021/jf900189s.
11. Mansouri, A., Mirzabe, A. H., Raufi, A. 2017. Physical properties and mathematical modeling of melon (Cucumis melo L.) seeds and kernels. Journal of the Saudi Society of Agricultural Sciences, 16(3): 218-226.
12. Niaz, M., Zhang, B., Zhang, Y. et al. 2023. Genetic and molecular basis of carotenoid metabolism in cereals. Theoretical and Applied Genetics, 136, 63, https://doi.org/10.1007/s00122-023-04336-8
13. Ordu, O., Egesel, C. Ö. 2019. Mısır Ununda Karotenoid Analizi İçin Farklı Ekstraksiyon Yöntemlerinin Karşılaştırılması. Çanakkale Onsekiz Mart Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 5(1): 87-98, https://doi.org/10.28979/comufbed.548587
14. R Core Team. 2021. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna. https://www.R-project.org
15. Rahman, M. H., Islam, M. R. 2013. Segmentation of color image using adaptive thresholding and masking with watershed algorithm. International Conference on Informatics, Electronics and Vision (ICIEV), Dhaka, Bangladesh, pp. 1-6, doi: 10.1109/ICIEV.2013.6572557.
16. Rodriguez-Amaya, D. B., Kimura, M. 2004. HarvestPlus handbook for carotenoid analysis. Washington: International Food Policy Research Institute (IFPRI).
17. Sabancı, K., Aydın, C., Ünlerşen, M. F. 2012. Görüntü işleme ve yapay sinir ağları yardımıyla patates sınıflandırma parametrelerinin belirlenmesi. Journal of the Institute of Science and Technology, 2(2 Sp: A): 59-62.
18. Yang, X., Ma, H., Zhang, P., Yan, J., Guo, Y., Song, T., Li, J. 2012. Characterization of QTL for oil content in maize kernel. TAG. Theoretical and applied genetics. Theoretische und angewandte Genetik, 125(6): 1169-1179, https://doi.org/10.1007/s00122-012-1903-x.
19. Yang, C. C., Prasher, S. O., Landry, J. A., DiTommaso, A. 2000. Application of artificial neural networks in image recognition and classification of crop and weeds. Canadian Agricultural Engineering, 42(3): 147-152.