Mısır tohumlarının evrişimsel sinir ağları ve hiperparametre optimizasyonu kullanılarak haploid ve diploid olarak sınıflandırılması

Abstract

Üretimi kolay olması, özellikle hayvan yemi olarak kullanılabilme olanağı yüzünden mısırın verimli bir şekilde üretimi toplumumuzun sürdürülebilirliği açısından büyük önem taşımaktadır. Günümüzde mısır ıslahı için kullanılan en popüler yöntem Katlanmış Haploid (Doubled Haploid, DH)'tir. Bu yöntemin kullanılmasında en önemli adımlardan birisi haploid tohumların, diploid tohumlardan ayrılmasıdır. Bu sınıflandırma işlemi genellikle eğitimli teknisyenler tarafından yapılmaktadır. Makine öğrenmesi yöntemlerindeki gelişmeler sonucunda bu işlem çeşitli sensör verilerinden yararlanılarak otomize edilebilir hale gelmiştir. Bu çalışmada, sınıflandırma işlemini gerçekleştirmek için 1230 haploid ve 1770 diploid mısır tohumu görüntüsünden yararlanılarak yeni bir Evrişimli Sinir Ağı (Convolutional Neural Network, CNN) model mimarisi geliştirilmiştir. Bu modelin hiperparametreleri Ağaç Bazlı Parzen Tahminleyicileri (Tree Based Parzen Estimators, TPE) algoritmasından yararlanarak optimize edilmiştir. Üretilen yeni model eğitilebilen parametre sayısı ve doğrulama skoru bakımından (9 milyon parametre %94,66 doğruluk) VGG-19 modeline kıyasla (144 milyon parametre, %94,22 doğruluk) tohum sınıflamasında daha başarılı sonuç elde etmiştir.

The efficient production of corn is of great importance for the sustainability of our society, due to its ease of production and the possibility of using it as animal feed. The most popular method used for maize breeding today is Doubled Haploid (DH). One of the most important steps in using this method is the separation of haploid seeds and diploid seeds. This classification process is usually performed by trained technicians. As a result of the developments in machine learning methods, this process has become automated by using various sensor data. In this study, a new Convolutional Neural Network (CNN) model architecture was developed using 1230 haploid and 1770 diploid corn seed images to perform the classification process. The hyperparameters of this model have been optimized using the Tree Based Parzen Estimators (TPE) algorithm. The new model produced was more successful in seed classification compared to the VGG-19 model (144 million parameters, 94.22% accuracy) in terms of the number of trainable parameters and validation score (9 million parameters 94.66% accuracy).