Classification of Dry Bean Species Based on Artificial Intelligence for Quality Seed Production in Agriculture

Abstract

27.5 million tons of dry beans were produced worldwide and 279.5 thousand tons in Turkey in In 2020. Dry beans have a wide variety. While one type of dry bean seed can be productive in cold climate conditions, another variety can be productive in more temperate climate conditions. In addition, dried bean seeds of different varieties can mix with each other for many different reasons. This situation affects the dry bean yield negatively. High yield in plant production depends on seed quality as well as many factors affecting yield. For this reason, it is necessary to classify seeds in order to obtain a quality seed and therefore a high yield. Today, Classification of dried bean seeds is carried out by sieves. However, varieties of bean as well as broken and spoiled seeds cannot be detected at sieving method. Therefore new technologies are needed to overcome of this problem. The aim of this study is to develop an artificial intelligence-based model for the classification of dry beans. In the study, 13,611 dried bean samples of seven varieties were used. Due to the uneven distribution of the data, firstly, it was balanced as much as the number of data belonging to the class (522), and then 3654 dry bean samples were selected.After the data balancing at least as much as the number of data belonging to the class (522) Due to the distribution imbalance of the data, 3654 dry bean samples were selected. There are 16 morphological features of beans. by the feature selection algorithm, the performance has been increased . The best model performance accuracy rate was 98.2% and AUC 1, PPV 100%, TPR 100%. The Results suggested that dry bean seeds can be classified with a high success rate by Artificial Intelligence Based Classification.

Keywords

• Quality Seed Production
• Dry Beans
• Artificial Intelligence
• Seed Classification
• Artificial Intelligence in Agriculture.

Tarımda Kaliteli Tohum Üretimi için Kuru Fasulye Türlerinin Yapay Zekâ Tabanlı Sınıflandırılması

Abstract

2020 yılında Dünya genelinde 27,5 milyon ton, Türkiye de 279,5 bin ton kuru fasulye üretilmiştir. Kuru fasulye geniş bir çeşitliliğe sahiptir. Bir çeşidi soğuk iklim koşullarında verimli olabilirken, bir çeşidi daha ılıman iklim koşullarında verimli olabilmektedir. Günümüzde kuru fasulye tohumları arasında farklı çeşitlere ait kuru fasulye tohumları karışabilmektedir. Bu durum kuru fasulye verimini olumsuz etkilemektedir. Bitkisel üretimde tohum kalitesi önemlidir. Bu nedenle tohum sınıflandırılması sürdürülebilir tarım ve verimlilik için önemlidir. Kuru fasulye sınıflandırılası günümüzde elekler yardımı ile yapılmaktadır. Elek ile sınıflandırma yönteminin dezavantajları fasulyenin çeşidini, kırık ve bozuk fasulyeleri tespit edememektedir. Hassas tohum seçimi yapılabilmesi için yeni teknolojilere ihtiyaç duyulmaktadır. Bu çalışmanın amacı kuru fasulyenin sınıflandırılması için yapay zekâ tabanlı bir model geliştirmektir. Çalışmada yedi çeşit 13.611 adet kuru fasulye örneği kullanılmıştır. Veriler dengesiz dağılması sebebiyle, öncelikle en az sınıfa ait veri sayısı (522) kadar dengelenmiş ve 3654 adet kuru fasulye örneği seçilmiştir. Fasulyelere ait 16 morfolojik özellik bulunmaktadır. Özellik seçme algoritması yardımıyla özellikler seçilerek performans artırımı amaçlanmıştır. Geliştirilen en iyi model performans değeri doğruluk oranı %98,2 ve AUC 1, PPV %100, TPR %100’dir. Elde edilen sonuçlara göre kuru fasulye tohumlarının yüksek başarı oranı ile sınıflandırılabileceği değerlendirilmektedir.

Keywords

• Kaliteli Tohum Üretimi
• Kuru Fasulye
• Yapay Zekâ
• Tohum Sınıflandırma
• Tarımda Yapay Zeka

References

1. [1] World distribution and significance of soybean. Agronomy, 1987.
2. [2] FAO, Crops and livestock products. [2022; 11 Mayıs 2022]; erişim adresi: https://www.fao.org/faostat/en/#data/QCL.
3. [3] Yemeklik baklagillerin üretimini artırma olanakları. Türkiye Ziraat Mühendisliği VII. Teknik Kongresi, 2010: s. 329-341.
4. [4] The impacts of environment on plant products. International Journal of Bioscience, Biochemistry and Bioinformatics, 2012. 2(1): s. 48.
5. [5] İspir Kuru Fasulye (Phaseolus vulgaris L.) Popülasyonunun Karakterizasyonu ve Seleksiyon Yoluyla Islahı. Anadolu Tarım Bilimleri Dergisi, 2015. 36(1): s. 20-33.
6. [6] Classification of common dry bean landraces from the south-center of Mexico by seed morphology. Revista fitotecnia mexicana, 2015. 38(1): s. 29-38.
7. [7] Yılmaz, d.ö.ü.a. ve k. yayın, yapay zeka. 2021: Kodlab Yayın Dağıtım Yazılım Ltd. Şti.
8. [8] Multiclass classification of dry beans using computer vision and machine learning techniques. Computers and Electronics in Agriculture, 2020. 174: s. 105507.

9. [9] Eta Correlation Coefficient Based Feature Selection Algorithm for Machine Learning: E-Score Feature Selection Algorithm. Journal of Intelligent Systems: Theory and Applications, 2019. 2(1): s. 7-12.
10. [10] Evaluating machine learning techniques for detecting offensive and hate speech in South African tweets. IEEE Access, 2020. 8: s. 21496-21509.
11. [11] Automatic sleep staging in obstructive sleep apnea patients using photoplethysmography, heart rate variability signal and machine learning techniques. Neural Computing and Applications, 2018. 29(8): s. 1-16.
12. [12] Automatic detection of respiratory arrests in OSA patients using PPG and machine learning techniques. Neural Computing and Applications, 2017. 28(10): s. 2931-2945.
13. [13] Şahin, A., Bazı kuru fasulye çeşitlerinde (Phaseolus vulgaris L.) bakteri aşılama ve azot dozlarının verim ve verim unsurları üzerine etkisinin belirlenmesi. 2018, Yüksek Lisans Tezi, Dicle Üniv. Fen Bil. Enst. Diyarbakır.
14. [14] Cengiz, B., Sakarya ve Eskişehir lokasyonlarında yetiştirilen bazı kuru fasulye çeşitlerinin kalite özellikleri. 2007, Namık Kemal Üniversitesi.
15. [15] Automatic detection of erythemato-squamous diseases using PSO–SVM based on association rules. Engineering Applications of Artificial Intelligence, 2013. 26(1): s. 603-608.
16. [16] Comparison of skin disease prediction by feature selection using ensemble data mining techniques. Informatics in Medicine Unlocked, 2019. 16: s. 100202.
17. [17] Multiclass support vector machines for diagnosis of erythemato-squamous diseases. Expert Systems with Applications, 2008. 35(4): s. 1733-1740.
18. [18] Automatic detection of erythemato-squamous diseases using adaptive neuro-fuzzy inference systems. Computers in biology and medicine, 2005. 35(5): s. 421-433.
19. [19] A comprehensive search for expert classification methods in disease diagnosis and prediction. Expert Systems, 2019. 36(1): s. e12343.