Classification of Type-1252 Durum Wheat Grains Using Different YOLO Algorithms

Abstract

Wheat is a fundamental agricultural crop worldwide and plays a critical role in human nutrition. Accurate and efficient classification of wheat quality is of great importance for both producers and consumers. However, traditional quality classification methods are often time-consuming, costly, and prone to human error. In this study, the quality classification of Çeşit-1252 durum wheat grains was performed using various versions and sub-models of the modern object detection algorithm YOLO (You Only Look Once). The vitreousness of wheat, one of the key quality indicators, was considered as the primary classification criterion. The dataset used in the study consists of 2,738 images of vitreous grains and 1,485 images of starchy grains. Additionally, 773 images of various non-wheat foreign materials were included in the dataset. This allowed the model not only to classify the vitreousness characteristics of the wheat but also to distinguish foreign objects. Performance metrics of the models indicate that the YOLOv5 Large model achieved the highest success with an accuracy of 1,0, a confidence score of 0,874, and an F1 score of 0,99. The best performance in the vitreous class was achieved with the YOLOv7x model, while the starchy class yielded optimal results with YOLOv7x, YOLOv8 Large, and YOLOv11 Small models. The most successful model for detecting foreign objects was YOLOv7. The different YOLO algorithms and models used in this study successfully classified both vitreous and starchy wheat grains and demonstrated effective performance in identifying foreign materials. These results support the reliability of the selected approach.

Keywords

• Wheat
• vitreousness
• YOLO
• classification

Farklı YOLO Algoritmaları ile Çeşit-1252 Makarnalık Buğday Tanelerinin Sınıflandırılması

Öz

Buğday, dünya genelinde temel bir tarımsal ürün olup, insan beslenmesinde kritik bir rol oynamaktadır. Buğdayın kalitesinin doğru ve etkin bir şekilde sınıflandırılması, hem üreticiler hem de tüketiciler açısından büyük önem taşımaktadır. Ancak geleneksel kalite sınıflandırma yöntemleri, genellikle zaman alıcı, maliyetli ve insan hatasına açık süreçler içermektedir. Bu çalışmada, modern nesne tanıma algoritmalarından olan YOLO (You Only Look Once) algoritmasının farklı versiyon ve alt modelleri kullanılarak Çeşit-1252 makarnalık buğday tanelerinin kalite sınıflandırması gerçekleştirilmiştir. Buğdayın camsılığı, kalite belirleme kriterlerinden biri olarak ele alınmış ve sınıflandırma için kullanılmıştır. Çalışmada kullanılan veri seti, 2738 adet camsı ve 1485 adet nişastalı buğday tanesi görsellerini içermektedir. Ayrıca, veri setinde buğday olmayan 773 adet çeşitli yabancı madde görselleri de yer almaktadır. Böylece, modelin yalnızca buğdayın camsılık özelliklerini sınıflandırması değil, aynı zamanda yabancı maddeleri ayırt etmesi de sağlanmıştır. Modellerin performans metrikleri incelendiğinde, YOLOv5 Large modeli, doğruluk (1,0), güven değeri (0,874) ve F1 skoru (0,99) ile en yüksek başarıyı göstermiştir. Camsı buğday sınıfında en iyi performans YOLOv7x ile nişastalı sınıf için ise YOLOv7x, YOLOv8 Large ve YOLOv11 Small modelleriyle elde edilmiştir. Yabancı madde tespitinde en başarılı model YOLOv7 olmuştur. Çalışmada kullanılan farklı YOLO algoritmaları ve modelleri, camsı ve nişastalı buğdayları başarılı şekilde sınıflandırmış ayrıca yabancı maddeleri ayırt etme konusunda da etkili bir performans göstermiştir. Bu durum seçilen yaklaşımın güvenilirliğini desteklemektedir.

Anahtar Kelimeler

• Buğday
• camsılık
• YOLO
• sınıflandırma

Kaynakça

1. Atçeken H (2020). Ekmeklik ve makarnalık buğday tanelerinin yapay zeka teknikleri kullanılarak sınıflandırılması [Yüksek lisans tezi, Karamanoğlu Mehmetbey Üniversitesi].
2. Atlı A, Koçak N, Aktan B (1993, Kasım 30–Aralık 3). Ülkemiz çevre koşullarının makarnalık buğday yetiştirmeye uygunluk yönünden değerlendirilmesi. Makarnalık Buğday ve Mamulleri Sempozyumu, Ankara, Türkiye.
3. Bushuk W (1998). Wheat breeding for end-product use. Euphytica, 100, 137–145.
4. Dziki D, Laskowski J (2005). Wheat kernel physical properties and milling process. Acta Agrophysica, 6, 59–71.
5. Elgün A, Ertugay Z (1995). Tahıl işleme teknolojisi. Atatürk Üniversitesi Ziraat Fakültesi Yayınları.
6. Guan S, Lin Y, Lin G, Su P, Huang S, Meng X, Liu P, Yan J (2024). Real-time detection and counting of wheat spikes based on improved YOLOv10. Agronomy, 14(9), 1936.
7. Hoseney RC (1994). Principles of cereal science and technology (2nd ed.). American Association of Cereal Chemists.
8. Kahya E, Aslan Y (2024). Derin öğrenme destekli gerçek zamanlı zeytin tespiti uygulaması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7(4), 1438–1454.

9. Kaya E, Sarıtaş İ (2019). Gerçek zamanlı bir sıralama sistemine doğru: Morfolojik, renk, dalgacık ve gaborlet özelliklerine dayalı YSA kullanılarak camsı sert buğday tanelerinin tanımlanması. Tarımda Bilgisayarlar ve Elektronik, 166, 105016.
10. Kumar D, Malhotra A (2024). YOLO-R50: A robust approach for wheat ears detection and bacterial black chaff classification. IEEE 2024 5th International Conference on Smart Electronics and Communication (ICOSEC) pp. 1227–1231.
11. Liu CY, Shepherd KW, Rathjen AJ (1996). Improvement of durum wheat pastamaking and breadmaking qualities. Cereal Chemistry, 73, 155–166.
12. Morris SR (2004). Grain: Quality attributes. In C. Wrigley, et al. (Eds.), Encyclopedia of Grain Science (pp. 238–254). Elsevier Ltd.
13. Qing S, Qiu Z, Wang W, Wang F, Jin X, Ji J, Zhao L, Shi Y (2024). Improved YOLO-FastestV2 wheat spike detection model based on a multi-stage attention mechanism with a LightFPN detection head. Frontiers in Plant Science, 15, 1411510.
14. Sissons M (2004). Pasta. In C. Wrigley, et al. (Eds.), Encyclopedia of Grain Science. Elsevier Ltd.
15. Tören M, Akiner M, Kaba B, Yazici F, Asan B, Beriş F (2024). Detection of phytophagous mite induced damage in tea plant by image processing and deep learning techniques. 2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP), 1–8.
16. Yao X, Yang F, Yao J (2024). YOLO-Wheat: A wheat disease detection algorithm improved by YOLOv8s. IEEE Access, 12:133877–133888.
17. Yüksel F, Koyuncu M, Sayaslan A (2011). Makarnalık buğday (Triticum durum) kalitesi. Turkish Journal of Scientific Reviews, 4(2):25–31.
18. Zhou S, Long S (2024). YOLO-LF: A lightweight multi-scale feature fusion algorithm for wheat spike detection. Journal of Real-Time Image Processing, 21, 148.
19. Zhu X, Chen F, Zheng Y, Chen C, Peng X (2024). Detection of Camellia oleifera fruit maturity in orchards based on modified lightweight YOLO. Computers and Electronics in Agriculture, 226, 109471.