Classification of Haploid and Diploid Maizes With Intuitionistic Fuzzy Set-Based Deep Learning Models

Abstract

Mısır, tüm dünyada yetiştirilen buğdaygiller familyası içerisinde yer alan önemli bir tahıl bitkisidir. İnsan nüfusunun ve çevresel faktörlerin artmasıyla birlikte mısır bitkisine olan ihtiyaç her geçen gün artmaktadır. Mısır üretimini artırmanın etkili yöntemlerinden biri de mısır ıslahıdır. Mısır ıslahında en etkili ve hızlı yöntem katlanmış haploid tekniğidir. Bu teknik, mısır yetiştirme süresini kısaltır ve verimliliği artırır. Mısır ıslah sürecinde haploid mısır tohumlarının seçilmesi için farklı seçim yöntemleri bulunmaktadır. Bu seçim yöntemleri arasında en yaygın ve en başarılı seçim yöntemi R1-Navajo (R1-nj) işaretçisinin görsel olarak kontrol edilmesidir. Mısır tohumlarının elle ayrılması, zaman alan ve hataya açık bir işlemdir. Emek yoğun ve oldukça yorucudur, bu nedenle haploid ve diploid mısır tohumlarını birbirinden ayrıştıracak hızlı ve yüksek doğruluklu akıllı bir sistemin geliştirilmesi elzemdir. Bu tezde, haploid ve diploid mısır imgeleri, sezgisel bir bulanık c-ortalama algoritması kullanılarak R1-nj renklendirmesine göre bölümlere ayrılmıştır. Mısır tohumlarının sınıflandırılması için yeni bir hibrit derin öğrenme modeli önerilmiştir. Önerilen hibrit model, CBAM, hiper sütun, 2B üst örnekleme ve artık blok gibi bazı yeni teknikler kullanılmıştır. Veri seti 3000 mısır imgesinden oluşmaktadır. Mısır imgeleri sezgisel bulanık kümeleme algoritmasıyla bölütlenmiştir. Önerilen yöntemlerin performans ölçümleri için 5 katlı çapraz doğrulama tekniği kullanılmıştır. IFCM+CNN modeliyle kabul edilebilir başarım elde edilmiştir. CNN modeliyle 94.13% doğruluk, 94.91% F1-Skoru ve 97.27% hassasiyet ile yüksek başarımlı bir sonuç elde edilmiştir.

Maize is an important cereal plant in the family of wheatgrass cultivated all over the world. With the increase in human population and environmental factors, the need for maize plants is increasing day by day. One of the effective methods of increasing maize production is maize breeding. The most effective and fastest method in maize breeding is the doubled haploid technique. This technique shortens maize growing time and increases productivity. There are different selection methods for selecting haploid maize seeds in the maize breeding process. Among these selection methods, the most common and most successful selection method is visually checking the R1-Navajo (R1-nj) marker. Manual separation of maize seeds is a time-consuming and error-prone process. It is labor-intensive and very tiring, so the development of a fast and highly accurate intelligent system to separate haploid and diploid maize seeds is essential. In this thesis, haploid and diploid maize images were segmented according to R1-nj coloring using an intuitionistic fuzzy c-means algorithm. A new hybrid deep learning model is proposed for the classification of maize seeds. Some new techniques such as the proposed hybrid model, CBAM, hypercolumn, 2D upsampling, and residual block are used. The dataset consists of 3000 maize images. Maize images are segmented by the intuitionistic fuzzy clustering algorithm. For the performance measurements of the proposed methods, the 5-fold cross-validation technique was used. Acceptable performance was obtained with the IFCM+CNN model. A high-performance result was achieved with the CNN model with an accuracy of 94.13%, an F1-Score of 94.91% and an accuracy of 97.27%.