Analiza statystyczna morfologii i tekstury nasion w celu oceny podobieństwa międzygatunkowego na różnych poziomach taksonomicznych
Seweryn Lipiński
seweryn.lipinski@uwm.edu.pla:1:{s:5:"pl_PL";s:43:"Uniwersytet Warmińsko-Mazurski w Olsztynie";} (Poland)
https://orcid.org/0000-0001-9771-6897
Abstrakt
Identyfikacja gatunków roślin na podstawie obrazów nasion odgrywa kluczową rolę w badaniach botanicznych i zastosowaniach rolniczych. Niniejsze badanie analizuje potencjał rozróżniania gatunków roślin na podstawie podstawowych cech geometrycznych i teksturalnych wyodrębnionych z obrazów nasion. Zbiór danych zawierający obrazy nasion 88 różnych gatunków został przeanalizowany w celu uzyskania kluczowych deskryptorów morfologicznych. Cechy te zostały następnie poddane analizom statystycznym, w tym budowie dendrogramów i wizualizacji za pomocą heatmap, w celu odkrycia wzorców i korelacji istotnych dla różnicowania gatunków. Wyniki wskazują, że integracja cech geometrycznych i teksturalnych umożliwia skuteczną klasyfikację gatunków roślin. To połączone podejście zapewnia solidne i wydajne ramy identyfikacji botanicznej, umożliwiając rozpoznawanie podobieństw i różnic na poziomie gatunku, rodzaju i rodziny. Odkrycia podkreślają znaczenie zaawansowanego przetwarzania obrazu i technik statystycznych w zwiększaniu dokładności identyfikacji gatunków roślin, co ma obiecujące implikacje dla zautomatyzowanych systemów rolniczych i badań nad bioróżnorodnością.
Słowa kluczowe:
analiza obrazu nasion, identyfikacja gatunków roślin, klasyfikacja botaniczna, cechy geometryczne i teksturalne, hierarchiczna analiza skupieńBibliografia
Barbierato, E., & Gatti, A. (2024). The challenges of machine learning: A critical review. Electronics, 13(2), 416.
DOI: https://doi.org/10.3390/electronics13020416
Google Scholar
Buhrmester, V., Münch, D., & Arens, M. (2021). Analysis of explainers of black box deep neural networks for computer vision: A survey. Machine Learning and Knowledge Extraction, 3(4), 966–989.
DOI: https://doi.org/10.3390/make3040048
Google Scholar
Chen, L., Li, S., Bai, Q., Yang, J., Jiang, S., & Miao, Y. (2021). Review of image classification algorithms based on convolutional neural networks. Remote Sensing, 13(22), 4712.
DOI: https://doi.org/10.3390/rs13224712
Google Scholar
Chen, Z., Fan, W., Luo, Z., & Guo, B. (2022). Soybean seed counting and broken seed recognition based on image sequence of falling seeds. Computers and Electronics in Agriculture, 196, 106870.
DOI: https://doi.org/10.1016/j.compag.2022.106870
Google Scholar
Cho, M., & Martinez, W. L. (2014). Statistics in MATLAB: A Primer. CRC Press: Boca Raton, USA.
DOI: https://doi.org/10.1201/b17998
Google Scholar
Djoulde, K., Ousman, B., Hamadjam, A., Bitjoka, L., & Tchiegang, C. (2024). Classification of pepper seeds by machine learning using color filter array images. Journal of Imaging, 10(2), 41.
DOI: https://doi.org/10.3390/jimaging10020041
Google Scholar
Engle, S., Whalen, S., Joshi, A., & Pollard, K. S. (2017). Unboxing cluster heatmaps. BMC Bioinformatics, 18, 1–15.
DOI: https://doi.org/10.1186/s12859-016-1442-6
Google Scholar
Ermiş, S., Ercan, U., Kabaş, A., Kabaş, Ö., & Moiceanu, G. (2025). Machine learning-based morphological classification and diversity analysis of ornamental pumpkin seeds. Foods, 14(9), 1498.
DOI: https://doi.org/10.3390/foods14091498
Google Scholar
Eryigit, R., & Tugrul, B. (2021). Performance of various deep-learning networks in the seed classification problem. Symmetry, 13(10), 1892.
DOI: https://doi.org/10.3390/sym13101892
Google Scholar
Espinosa-Roldán, F. E., Rodríguez-Lorenzo, J. L., Martín-Gómez, J. J., Tocino, Á., Ruiz Martínez, V., Remón Elola, A., ... Muñoz-Organero, G. (2024). Morphometric analysis of grape seeds: Looking for the origin of Spanish cultivars. Seeds, 3(3), 286–310.
DOI: https://doi.org/10.3390/seeds3030022
Google Scholar
Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2003). Digital Image Processing Using MATLAB. Prentice Hall: New Jersey, USA.
Google Scholar
Islam, T., Sarker, T. T., Ahmed, K. R., & Lakhssassi, N. (2024). Detection and classification of cannabis seeds using RetinaNet and Faster R-CNN. Seeds, 3(3), 456–478.
DOI: https://doi.org/10.3390/seeds3030031
Google Scholar
Kalicka, R., & Lipiński, S. (2010). A fast method of separation of the noisy background from the head-cross section in the sequence of MRI scans. Biocybernetics and Biomedical Engineering, 30(2), 15–27.
Google Scholar
Krohn, J., Beyleveld, G., & Bassens, A. (2019). Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence. Addison-Wesley Professional: Boston, USA.
Google Scholar
Kumar, V., Aydav, P. S. S., & Minz, S. (2024). Crop Seeds Classification Using Traditional Machine Learning and Deep Learning Techniques: A Comprehensive Survey. SN Computer Science, 5(8), 1031.
DOI: https://doi.org/10.1007/s42979-024-03379-y
Google Scholar
Lipiński, A. J., & Lipiński, S. (2020). Binarizing water sensitive papers–how to assess the coverage area properly?. Crop Protection, 127, 104949.
DOI: https://doi.org/10.1016/j.cropro.2019.104949
Google Scholar
Loddo, A., Loddo, M., & Di Ruberto, C. (2021). A novel deep learning based approach for seed image classification and retrieval. Computers and Electronics in Agriculture, 187, 106269.
DOI: https://doi.org/10.1016/j.compag.2021.106269
Google Scholar
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66.
DOI: https://doi.org/10.1109/TSMC.1979.4310076
Google Scholar
Pavlopoulos, G. A., Soldatos, T. G., Barbosa-Silva, A., & Schneider, R. (2010). A reference guide for tree analysis and visualization. BioData Mining, 3, 1–24.
DOI: https://doi.org/10.1186/1756-0381-3-1
Google Scholar
Rajalakshmi, R., Faizal, S., Sivasankaran, S., & Geetha, R. (2024). RiceSeedNet: Rice seed variety identification using deep neural network. Journal of Agriculture and Food Research, 16, 101062.
DOI: https://doi.org/10.1016/j.jafr.2024.101062
Google Scholar
Reyes-Aldasoro, C. C. (2015). Biomedical Image Analysis Recipes in MATLAB: For Life Scientists and Engineers. John Wiley & Sons: Oxford, UK.
DOI: https://doi.org/10.1002/9781118657546
Google Scholar
Sezgin, M., & Sankur, B. (2004). Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging, 13(1), 146–165.
DOI: https://doi.org/10.1117/1.1631315
Google Scholar
Szandała, T. (2023). Unlocking the black box of CNNs: Visualising the decision-making process with PRISM. Information Sciences, 642, 119162.
DOI: https://doi.org/10.1016/j.ins.2023.119162
Google Scholar
Taheri-Garavand, A., Nasiri, A., Fanourakis, D., Fatahi, S., Omid, M., & Nikoloudakis, N. (2021). Automated in situ seed variety identification via deep learning: A case study in chickpea. Plants, 10(7), 1406.
DOI: https://doi.org/10.3390/plants10071406
Google Scholar
Taye, M. M. (2021). Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions. Computation, 11(3), 52.
DOI: https://doi.org/10.3390/computation11030052
Google Scholar
Wang, L., & Wang, L. (2021). Variety identification model for maize seeds using hyperspectral pixel-level information combined with convolutional neural network. National Remote Sensing Bulletin, 25(11), 2234–2244.
DOI: https://doi.org/10.11834/jrs.20219349
Google Scholar
Wiesnerova, D & Wiesner, Ivo (2008). Computer image analysis of seed shape and seed color for flax cultivar description. Computers and Electronics in Agriculture, 61(2), 126–135.
DOI: https://doi.org/10.1016/j.compag.2007.10.001
Google Scholar
Wilkinson, L., & Friendly, M. (2009). The history of the cluster heat map. The American Statistician, 63(2), 179–184.
DOI: https://doi.org/10.1198/tas.2009.0033
Google Scholar
Yasar, A. (2024). Analysis of selected deep features with CNN-SVM-based for bread wheat seed classification. European Food Research and Technology, 250(6), 1551–1561.
DOI: https://doi.org/10.1007/s00217-024-04488-x
Google Scholar
Yuan, M., Lv, N., Dong, Y., Hu, X., Lu, F., Zhan, K., ... Xie, Y. (2024). A dataset for fine-grained seed recognition. Scientific Data, 11(1), 344.
DOI: https://doi.org/10.1038/s41597-024-03176-5
Google Scholar
Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M. (2024). A review of convolutional neural networks in computer vision. Artificial Intelligence Review, 57(4), 99.
DOI: https://doi.org/10.1007/s10462-024-10721-6
Google Scholar
Autorzy
Seweryn Lipińskiseweryn.lipinski@uwm.edu.pl
a:1:{s:5:"pl_PL";s:43:"Uniwersytet Warmińsko-Mazurski w Olsztynie";} Poland
https://orcid.org/0000-0001-9771-6897
Statystyki
Abstract views: 23PDF downloads: 6
Licencja
Prawa autorskie (c) 2025 Seweryn Lipiński
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Z chwilą przekazania artykułu, Autorzy udzielają Wydawcy niewyłącznej i nieodpłatnej licencji na korzystanie z artykułu przez czas nieokreślony na terytorium całego świata na następujących polach eksploatacji:
- Wytwarzanie i zwielokrotnianie określoną techniką egzemplarzy artykułu, w tym techniką drukarską oraz techniką cyfrową.
- Wprowadzanie do obrotu, użyczenie lub najem oryginału albo egzemplarzy artykułu.
- Publiczne wykonanie, wystawienie, wyświetlenie, odtworzenie oraz nadawanie i reemitowanie, a także publiczne udostępnianie artykułu w taki sposób, aby każdy mógł mieć do niego dostęp w miejscu i w czasie przez siebie wybranym.
- Włączenie artykułu w skład utworu zbiorowego.
- Wprowadzanie artykułu w postaci elektronicznej na platformy elektroniczne lub inne wprowadzanie artykułu w postaci elektronicznej do Internetu, lub innej sieci.
- Rozpowszechnianie artykułu w postaci elektronicznej w internecie lub innej sieci, w pracy zbiorowej jak również samodzielnie.
- Udostępnianie artykułu w wersji elektronicznej w taki sposób, by każdy mógł mieć do niego dostęp w miejscu i czasie przez siebie wybranym, w szczególności za pośrednictwem Internetu.
Autorzy poprzez przesłanie wniosku o publikację:
- Wyrażają zgodę na publikację artykułu w czasopiśmie,
- Wyrażają zgodę na nadanie publikacji DOI (Digital Object Identifier),
- Zobowiązują się do przestrzegania kodeksu etycznego wydawnictwa zgodnego z wytycznymi Komitetu do spraw Etyki Publikacyjnej COPE (ang. Committee on Publication Ethics), (http://ihar.edu.pl/biblioteka_i_wydawnictwa.php),
- Wyrażają zgodę na udostępniane artykułu w formie elektronicznej na mocy licencji CC BY-SA 4.0, w otwartym dostępie (open access),
- Wyrażają zgodę na wysyłanie metadanych artykułu do komercyjnych i niekomercyjnych baz danych indeksujących czasopisma.
