Katlanmış haploid bitkiler günümüzde gelişmiş mısır ıslah programlarında yaygın olarak kullanılmaktadır. Bu teknik ıslah süresini kısaltmakta ve ıslahın etkinliğini arttırmaktadır. Bu ıslah tekniğinde önemli işlerden biri haploid tohumların seçimidir. Haploid tohumların seçiminde en yaygın yöntem R1-nj renk markörüdür. Bu seçimin elle yapılıyor olması seçim başarımını azaltmakta, zaman ve emek kaybına sebep olmaktadır. Bu nedenle seçim başarımını arttıracak, zaman ve emek tasarrufu sağlayacak otomatik seçim yöntemlerinin geliştirilmesi bir ihtiyaç haline gelmiştir. Bu tez çalışmasında, R1-nj renk markörüne göre haploid ve diploid mısır tohumlarını imge analizi ve makine öğrenme algoritmaları kullanarak sınıflandıracak bir yöntem önerilmiştir. Tez çalışması kapsamında iki ayrı veri seti oluşturulmuştur. Öznitelik vektörü olarak 8, 16 ve 32 renk ölçekli gri seviyeli renk histogramları, renk momentleri ve doku öznitelikleri kullanılmıştır. Öznitelikler karar ağacı, k-en yakın komşu, destek vektör makinesi ve yapay sinir ağı yöntemleri ile sınıflandırılmıştır. Sınıflandırıcı başarımı 10-katlı çapraz doğrulama yöntemi ile sınanmıştır. En iyi performans, k-en yakın komşu sınıflandırma yöntemi ile renk momentleri öznitelikleri kullanılarak %90,39 doğruluk oranıyla elde edilmiştir.
Doubled haploids is now widely used in advanced maize breeding programs. This technique shortens the breeding period and increases the efficiency of breeding. One of the important processes in this breeding technique is the selection of haploid seeds. The most common method of selecting haploid seeds is the R1-nj color marker. The fact that this selection is performed manually reduces the selection success and causes time and labor loss. For this reason, it has become a need to develop automatic selection methods that will save time and labor and increase selection success. In this thesis, a method is proposed to classify haploid and diploid maize seeds using image analysis and machine learning algorithms according to the R1-nj color marker. Within the scope of the thesis study, two separate datasets were created. As the feature vectors; 8, 16 and 32 bin grayscale color histograms, color moments and texture features were used. The obtained feature vectors is classified by decision tree, k-nearest neighbors, support vector machine and artificial neural network. The classifier performance was tested by a 10-fold cross-validation method. Best performance has been obtained with 90,39% accuracy rate by using the color moments features with the k-nearest neighbor classification method.
