Prediction of Tomato Firmness Using Vis-NIR Spectral Reflection and Machine Learning

Öz

This study utilized Vis/NIR spectral readings obtained in two different reflection modes using two different light sources, firmness features measured using standard methods, and various linear and machine learning-based nonlinear prediction models developed within the scope of this study to predict tomato firmness characteristics non-destructively. One of the main objectives of the study was to compare linear prediction models with prediction models developed based on machine learning and deep learning techniques in the process of predicting tomato firmness characteristics. In this context, using the same data set, the firmness prediction results obtained using the PLS (partial least squares) regression model developed and used in a previous study were compared with the 1DCNN (one-dimensional convolutional neural networks) regression, LSTM (long-short-term memory) regression, SVM (support vector machine) regression, and PCR (principal component regression) regression models developed and used in this study. Based on the results obtained, it was concluded that better firmness prediction values were obtained by using reflection mode spectra acquired with the help of the DH-2000-BAL light source. Furthermore, when comparing the different firmness prediction models considered in this study, the coefficient of determination (R2) of the prediction results obtained with the machine learning-based 1DCNN regression model using spectra acquired with the DH-2000-BAL light source was 0.83 (RMSEP=263.49), while the firmness prediction values obtained with all the prediction models developed in this study (1DCNN, LSTM, SVM, and PCR) were better than the firmness prediction values obtained with the PLS regression model in the previous study.

Anahtar Kelimeler

• Machine learning
• Vis/NIR spectroscopy
• Tomato firmness

Proje Numarası

TÜBİTAK-118O679

Vis-NIR Spektral Yansıma ve Makine Öğrenmesi Kullanarak Domateste Sertlik Tahmini

Öz

Bu çalışmada domateslerde sertlik özelliğinin hasarsız olarak tahmin edilmesi için iki farklı ışık kaynağı kullanarak iki farklı yansıma modunda alınan Vis/NIR spektral okumaları, standart yöntemler ile ölçülen sertlik özellikleri ve çalışma kapsamında geliştirilen doğrusal ve makine öğrenmesine dayalı doğrusal olamayan farklı tahmin modellerini kullanılmıştır. Çalışmada hedeflenen en önemli amaçlardan biri doğrusal tahmin modelleri ile makine öğrenmesine ve derin öğrenme tekniklerine dayalı olarak geliştirilen tahmin modellerinin domates sertlik özelliklerinin tahmin edilmesi sürecinde karşılaştırılması olmuştur. Bu kapsamda aynı veri grubunu kullanarak daha önceki bir çalışmada geliştirilip kullanılan PLS (kısmi en küçük kareler) regresyon modeli ile bu çalışma kapsamında geliştirilen ve kullanılan 1DCNN (bir boyutlu evreşimli sinir ağları) regresyon, LSTM (uzun-kısa süreli bellek) regresyon, SVM (destek vektör makinesi) regresyon ve PCR (temel bileşen regresyonu) regresyon modelleri ile elde edilen sertlik tahmin sonuçları karşılaştırılmıştır. Elde edilen sonuçlara bakıldığında DH-2000-BAL ışık kaynağı yardımı ile alınan yansıma modu spektrumlarının kullanılması ile daha iyi sertlik tahmin değerlenin alındığı sonucuna varılmıştır. Bunun yanında, çalışmada ele alınan farklı sertlik tahmin modelleri kıyaslandığında, DH-2000-BAL ışık kaynağının kullanılması ile alınan spektrumların kullanıldığı makine öğrenmesine dayalı 1DCNN regresyon modeli ile elde edilen tahmin sonuçlarına ait kararlılık katsayısı (R2) 0.83 olurken (RMSEP=263.49), çalışma kapsamında geliştirilen tüm tahmin modelleri (1DCNN, LSTM, SVM ve PCR) ile elde edilen sertlik tahmin değerleri önceki çalışmada PLS regresyon modeli ile elde edilen sertlik tahmin değerlerinden daha iyi olmuştur.

Anahtar Kelimeler

• Makine öğrenmesi
• Vis/NIR spektroskopi
• Domates sertlik

Destekleyen Kurum

TÜBİTAK-118O679, YÖK, TÜBİTAK-BİDEB

Proje Numarası

TÜBİTAK-118O679

Etik Beyan

Araştırmacıların Katkı Oranı: Yazarlar makaleye eşit oranda katkı sağlamış olduklarını beyan eder. Çıkar Çatışması Beyanı: Makale yazarları aralarında herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkür

Teşekkür: Bu araştırma makalesi, Aysun İğdeci’ nin “Makinalı öğrenme ve VIS/NIR spektroskopi kullanarak domateslerin içsel kalite kriterlerinin tahmin edilmesi” başlıklı doktora tezinin bir parçasıdır. Çalışmada kullanılan veriler, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) 118O679 numaralı hızlı destek projesi ile desteklenmiş önceki bir çalışmada elde edilmiştir. Bunun için TÜBİTAK’a teşekkürlerimizi sunarız. Teşekkür: Birinci yazar, doktora öğrenimi süresince 100/2000 YÖK Doktora Bursu’ndan (2020–2024, Tarım ve Hayvancılıkta Dijital Teknolojiler alanında) ve TÜBİTAK-BİDEB 2211-C Yurt İçi Öncelikli Alanlar Doktora Burs Programı’ndan (2022–2025, Makine Öğrenmesi ve Yapay Zekâ öncelikli alanında) yararlanmıştır. Sağladıkları desteklerden dolayı her iki kuruma da teşekkür ederiz.

Kaynakça

1. Anonim. (2026a). Deep Learning Tutorial for Beginners: Neural Network Basics. https://www.guru99.com/deep-learning-tutorial.html. Son erişim tarihi: 23 Mayıs 2026.
2. Anonim. (2026b). Introduction to Long Short Term Memory. Geeks for Geeks. https://www.geeksforgeeks.org/deep-learning-introduction-to-long-short-term-memory/. Son erişim tarihi: 23 Mayıs 2026.
3. Bissadu, K. D., Sonko, S.ve Hossain, G. (2025). Society 5.0 enabled agriculture: Drivers, enabling technologies, architectures, opportunities, and challenges. Information Processing in Agriculture, 2025: 112-124.
4. Chakravartula, S.S.N., Moscetti, R., Bedini, G., Nardella, M., & Massantini, R. (2022). Use of convolutional neural network (CNN) combined with FT-NIR spectroscopy to predict food adulteration: A case study on coffee. Food Control, 2022: 108816.
5. Chanda, S., Hazarika, A.K., Choudhury, N., Islam, S.A., Manna, R., Sabhapondit, S., Tudu, B., & Bandyopadhyay, R. (2019). Support vector machine regression on selected wavelength regions for quantitative analysis of caffeine in tea leaves by near infrared spectroscopy. Journal of Chemometrics, (2019) 1-15.
6. Çataltaş, O., & Tütüncü, K. (2021). A review of data analysis techniques used in near-infrared spectroscopy. Avrupa Bilim ve Teknoloji Dergisi, 25: 474-484.
7. Ecarnot, M., Bączyk, P., Tessarotto, L., & Chervin, C. (2013). Rapid phenotyping of the tomato fruit model, Micro-Tom, with a portable VIS–NIR spectrometer. Plant Physiology and Biochemistry, 2013: 159-163.
8. Feng, L., Zang, M., Adhikari, B., & Guo, Z. (2019). Nondestructive detection of postharvest quality of cherry tomatoes using a portable NIR spectrometer and chemometric algorithms. Food Analytical Methods, (2019) 12: 914-925.

9. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Comput. 9(8), 1735-1780.
10. Huang, Y., Lu, R., & Chen, K. (2018) Prediction of firmness parameters of tomatoes by portable visible and near-infrared spectroscopy. Journal of Food Engineering, 2018: 185-198.
11. İğdeci, A. (2020). Kiraz domateste bazı kalite kriterlerinin Vis/NIR spectroskopi ile yansıma ve etkileşim yöntemlerini kullanarak tahmin edilmesi (Yüksek Lisans Tezi). Çanakkale Onsekiz Mart Üniversitesi, Lisansüstü Eğitim Enstitüsü.
12. Jamshidi, B., Mohajerani, E., & Jamshidi, J. (2016). Developing a Vis/NIR spectroscopic system for fast and non-destructive pesticide residue monitoring in agricultural product. Measurement, 2016: 1-6.
13. Kavdır, İ., Büyükcan, M. B., Lu, R. ve Şeker, M., Kocabıyık, H. (2009). Prediction of olive quality using FT-NIR spectroscopy in reflectance and transmittance modes. Biosystems Engineering, 2009: 304-312.
14. Kazemi, F., Shirzadifar, A., Afsharifar, A., Nasiri, S: M., & Mostowfizadeh-Ghalamfarsa, R. (2026) Spectral Zucchini Index (SZI): A novel Vis/NIR-based machine learning approach for early and asymptomatic detection of zucchini yellow mosaic virus. Smart Agricultural Technology 14 (2026): 102066.
15. Liakos, K. G., Busato, P., Moshou, D., Pearson, P., & Bochtis, D. (2018). Machine Learning in Agriculture: A Review. Sensors, 2018: 2674.
16. Mark, H., & Workman, J. J. (2018). Calculating the Solution for Regression Techniques: Part 2—Principal Component(s) Regression Made Simple. Chemometrics in Spectroscopy içinde, 121-123. Academic Press, 2018.
17. Mou, L., Ghamisi, P. & Zhu, X. X. (2017). Deep recurrent neural networks for hyperspectral image classification IEEE Transactions on Geoscience and Remote Sensing, 2017: 3639 - 3655.
18. Singh, S., & Kasana, S.S. (2019). Estmation of soil properties from the EU spectral library using long short-term memory networks.Geoderma Regional, 18 (2019) e00233.
19. Sirisomboon, P., Tanaka, M., Kojima, T., & Williams, P. (2012). Nondestructive estimation of maturity and textural properties on tomato ‘Momotaro’ by near infrared spectroscopy. Journal of Food Engineering, 112 (2012): 218-228.
20. Tran, H., Kim, J., Kim, D., Choi, M., & Choi M. (2018). Impact of air pollution on cause-specific mortality in Korea: Results from Bayesian Model Averaging and Principle Component Regression approaches. Science of The Total Environment, (2018):1020-1031.
21. Van Dijk, C., Boeriu, C., Peter, F., Stolle-Smits, T., & Tijskens, L.M.M. (2006). The firmness of stored tomatoes (cv. Tradiro). !. Kinetics and near infrared models to describe firmness and moisture loss. Journal of Food Engineering, 77 (2006): 575-584.
22. Yalçıntan, H., Keçici, P.D., & Ekiz, B. (2026). Prediction of meat sensory traits in goat kids using rearing factors, carcass, and instrumnetal meat qualitycharacteristics with machine learning and regression methods. Livestock Science, 308: 105955.
23. Yang, J., Wang, X., Ruihua, W., & Wang, H. (2020). Combination of convolutional neural networks and recurrent neural networks for predicting soil properties using Vis–NIR spectroscopy. Geoderma, 2020: 114616.