Research Article
BibTex RIS Cite

BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması

Year 2020, Volume: 13 Issue: 2, 47 - 56, 16.12.2020

Fatih Kahrıman Aycan Sütal Musa Topçakıl Ömer Gezer

Abstract

Spektral veri analizleri için geliştirilmiş çeşitli programlar ve web tabanlı uygulamalar mevcuttur. Son yıllarda web tabanlı uygulamalara olan ilgi bir hayli artmıştır. R program dili ve shiny paketi kullanılarak geliştirilmiş çok farklı alanlarda kullanılabilen web uygulamaları mevcuttur. Bu çalışma spektral veri analizlerini internet üzerinden yapabilen bir web uygulamasının geliştirilmesi amacıyla yürütülmüştür. Geliştirilen uygulama (BAFONLINE) RStudio arayüzü kullanılarak geliştirilmiştir. BAFONLINE, 1200-2400 nm arasında alınan spektral verinin destek vektör makineleri regresyonu (DVMR) tabanlı modelleme yaklaşımı ile analiz edilmesi sonrasında hedef değişken ile ilgili sonucu analiz ekranında gösterebilen kullanıcı dostu bir uygulamadır. Uygulamanın geliştirme aşamasında DVMR ve Rassal Orman (RO) yöntemlerine göre modeller oluşturulmuştur. Bu modeller, 250 adet öğütülmüş mısır numunesinden masaüstü NIRS (Near InfraRed Spectroscopy) cihazı ile 1200-2400 nm arasında toplanan spektral veriler bağımsız değişken olarak, bağımlı değişken olarak ise nem içeriği atanarak R platformunda geliştirilmiştir. . Geliştirilen modellerin değerlendirme istatistiklerine göre DVMR modelinin (RMSECal=0,484, R2Cal=90,9, RPDCal=3,32, RMSECal=0,317, R2Cal=95,6, RPDCal=4,79, RMSEVal=0,634, R2Val=52,2, RPDVal=1,45) RO modelinden daha daha yüksek güvenilirliğe sahip olduğu anlaşılmıştır. Geliştirilen DVMR modeli uygulamanın arayüzüne uygun kodlar kullanılarak entegre edilmiştir. Geliştirilen arayüze https://bafr.shinyapps.io/BAFONLINE/ linkinden erişilebilmekte ve veri girişinin ardından spektral analizler kolaylıkla gerçekleştirilebilmektedir. İleriki araştırmada bu uygulamaya farklı spektral cihazlar ile farklı tarımsal ürünlere yönelik yeni tahmin modellerinin eklenmesi düşünülmektedir.

Keywords

R Programlama Spektral analizler Makine öğrenmesi

Supporting Institution

TÜBİTAK

Project Number

2180355

Thanks

Bu çalışma TÜBİTAK 1512 programı kapsamında 2180355 no’lu proje ile desteklenmiştir. Ayrıca uygulamanın deneme sürümünde oluşturulan kalibrasyon modeline konu olan spektral ve referans analiz verileri TÜBİTAK 215O867 no’lu projeden elde edilmiştir. Desteklerinden ötürü TÜBİTAK’a teşekkür ederiz.

References

  • [1] Kahrıman, F., Egesel, C. Ö., Using near infrared (NIR) spectroscopy in the analysis of cereal products: the example of maize, in Recent Researches in Science and Landscape Management, Newcastle: Cambridge Scholars Publishing, pp. 507-521, 2018.
  • [2] Roggo, Y., ve ark., A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies, Journal of Pharmaceutical and Biomedical Analysis vol. 44, pp. 683-700, July 2007.
  • [3] Pasquini, C. Near Infrared Spectroscopy: fundamentals, practical aspects and analytical applications, Journal of the Brazilian Chemical Society vol. 14, pp. 198-219, April 2003.
  • [4] Mekonnen,B. K., Yang, W., Hsieh, T-H., Liaw, S-K., Yang, F-L., Accurate prediction of glucose concentration and identification of major contributing features from hardly distinguishable near-infrared spectroscopy, Biomed Signal Process Control, vol. 59, 101923, 2020.
  • [5] Özdemir, S., Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği, Turk J Agric For, 2018, 19(1): 51-56.
  • [6] Uğuz, S., Makine öğrenmesi - teorik yönleri ve python uygulamaları ile bir yapay zeka ekolü, ISBN: 978-605-033-176-9, 298 s, 2019.
  • [7] Zareef, M. ve ark., An overview on the applications of typical non-linear algorithms coupled with nır spectroscopy in food analysis, Food Eng Rev vol: 12, pp. 173–190, 2020.
  • [8] Grossi, M. ve ark., An opto-electronic system for in-situ determination of peroxide value and total phenol content in olive oil, J Food Eng vol.146, pp. 1–7, 2015.
  • [9] Massie, D. R. ve Norris, K.H. Spectral reflectance and transmittance properties of grain in the visible and near infrared, Transactions of ASAE vol. 8, pp. 598–600, 1965.
  • [10] Nakawajana, N. ve Posom, J., Comparison of analytical ability of pls and svm algorithm in estimation of moisture content, higher heating value, and lower heating value of cassava rhizome ground using FT-NIR spectroscopy, IOP Conf Ser: Earth Environ. Sci. vol. 301, MN:012032, 2019.
  • [11] Onaç, İ. Kahrıman, F. ve Baytekin, H. Mısırda nem içeriğinin yakın kızıl ötesi (NIR) spektroskopisi ile tespitinde farklı kemometrik yöntemlerin etkisinin belirlenmesi, ÇOMÜ Ziraat Fakültesi Dergisi, vol. 4, pp. 117-124, 2017.
  • [12] Ihaka, R. ve Gentleman, R. R: A language for data analysis and graphics, The Journal of Computational and Graphical Statistics vol. 5, pp. 299-314,1996.
  • [13] Team, R C. R: A language and environment for statistical computing, R Found. Stat. Comput. Vienna, 2019, [Çevrimiçi]. Erişim adresi: https://www.R-project.org/.
  • [14] Chang, W. ve ark., shiny: Web application framework for R. 2020.
  • [15] Mevik , B-H. ve Wehrens, R., The pls package: principal component and partial least squares regression in R, Journal of Statistical Software vol. 18, pp. 1-23, Jan. 2007.
  • [16] Kucheryavskiy, S., mdatools – R package for chemometrics, Chemom Intell Lab Syst vol. 198, s. 103937, Mar. 2020.
  • [17] Kuhn, M. ve ark., caret: Classification and regression training. 2020.
  • [18] Wehrens, R., Chemometrics with R: multivariate data analysis in the natural sciences and life sciences. Berlin Heidelberg: Springer-Verlag, 2011.
  • [19] Meyer, D. ve ark., e1071: Misc functions of the department of statistics, probability theory group (Formerly: e1071), TU Wien. 2019.
  • [20] Stevens, A. ve Ramirez-Lopez, L., prospectr: miscellaneous functions for processing and sample selection of spectroscopic data. 2020.
  • [21] Koc, A., Henriksson T. ve Chawade A., Specalyzer—an interactive online tool to analyze spectral reflectance measurements, PeerJ, vol. 6, e5031, June, 2018.
  • [22] Xie Y. ve ark., DT: A wrapper of the javascript library “DataTables”. 2020.
  • [23] Kahrıman F., ve ark., Mısır tanesinde gıda ve endüstriyel kullanım için önem taşıyan özelliklerin analizinde kullanılabilecek NIRS (yakın kızıl ötesi spektroskopisi) kalibrasyon modellerinin geliştirilmesi (proje no: 215o867), TÜBITAK Projesi Sonuç Raporu, 2017.
  • 24] Williams P.C. ve Sobering D.C., How do we do it: a brief summary of the methods we use in developing near infrared calibrations. In: Davies AMC, Williams PC, editors. Near Infrared Spectroscopy: The Future Waves. Chichester, UK: NIR Publications, pp. 185–188, 1996.
  • [25] Galvez–Sola L. ve ark., The potential of near infrared reflectance spectroscopy (NIRS) for the estimation of agroindustrial compost quality. Sci Total Environ vol: 408, pp. 1414–1421, 2010.

BAFONLINE: A Web Application for Remote Spectral Data Analysis

Year 2020, Volume: 13 Issue: 2, 47 - 56, 16.12.2020

Fatih Kahrıman Aycan Sütal Musa Topçakıl Ömer Gezer

Abstract

There are many software and web-based applications for spectral data analysis. Recently, the interest in web based applications has increased. The shiny software package which has been developed with the R language has been used in different web applications in many fields. This study has been conducted for development of a web based application that can analyze spectral data online. The application (BAFONLINE) has been developed using the RStudio interface. BAFONLINE is a user friendly application where one can analyze the spectral data within 1200-2400 nm interval utilizing support vector machine regression (SVMR) based modeling approach and can display the result of the target variable. SVMR and Random Forest (RF) methods were used and compared in the development step of application. These models, the spectral data has been acquired using a desktop NIRS (Near InfraRed Spectroscopy) device from 250 ground corn grains, in the 1200-2400 nm spectral range as dependent variable, and the spectral models have been developed under the R platform, selecting the moisture content as the dependant variable. According to the evaluation statistics of the developed models, it was understood that SVMR model (RMSECal=0.484, R2Cal=90.9, RPDCal=3.32, RMSEVal=0.458, R2Val=87.4, RPDVal=2.77) has higher robustness than RF model (RMSECal=0.317, R2Cal=95,6, RPDCal=4.79, RMSEVal=0.634, R2Val=52,2, RPDVal=1.45). This model have been integrated into the interface using appropriate codes. The interface can be accessed from the https://bafr.shinyapps.io/BAFONLINE/ address and the spectral analyses can be easily performed. In the future studies, support for additional spectroscopy devices and agricultural products is planned to be added.

Keywords

R Programming, Spectral analyses, Machine learning

Project Number

2180355

References

  • [1] Kahrıman, F., Egesel, C. Ö., Using near infrared (NIR) spectroscopy in the analysis of cereal products: the example of maize, in Recent Researches in Science and Landscape Management, Newcastle: Cambridge Scholars Publishing, pp. 507-521, 2018.
  • [2] Roggo, Y., ve ark., A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies, Journal of Pharmaceutical and Biomedical Analysis vol. 44, pp. 683-700, July 2007.
  • [3] Pasquini, C. Near Infrared Spectroscopy: fundamentals, practical aspects and analytical applications, Journal of the Brazilian Chemical Society vol. 14, pp. 198-219, April 2003.
  • [4] Mekonnen,B. K., Yang, W., Hsieh, T-H., Liaw, S-K., Yang, F-L., Accurate prediction of glucose concentration and identification of major contributing features from hardly distinguishable near-infrared spectroscopy, Biomed Signal Process Control, vol. 59, 101923, 2020.
  • [5] Özdemir, S., Random Forest Yöntemi kullanılarak potansiyel dağılım modellemesi ve haritalaması: Yukarıgökdere Yöresi örneği, Turk J Agric For, 2018, 19(1): 51-56.
  • [6] Uğuz, S., Makine öğrenmesi - teorik yönleri ve python uygulamaları ile bir yapay zeka ekolü, ISBN: 978-605-033-176-9, 298 s, 2019.
  • [7] Zareef, M. ve ark., An overview on the applications of typical non-linear algorithms coupled with nır spectroscopy in food analysis, Food Eng Rev vol: 12, pp. 173–190, 2020.
  • [8] Grossi, M. ve ark., An opto-electronic system for in-situ determination of peroxide value and total phenol content in olive oil, J Food Eng vol.146, pp. 1–7, 2015.
  • [9] Massie, D. R. ve Norris, K.H. Spectral reflectance and transmittance properties of grain in the visible and near infrared, Transactions of ASAE vol. 8, pp. 598–600, 1965.
  • [10] Nakawajana, N. ve Posom, J., Comparison of analytical ability of pls and svm algorithm in estimation of moisture content, higher heating value, and lower heating value of cassava rhizome ground using FT-NIR spectroscopy, IOP Conf Ser: Earth Environ. Sci. vol. 301, MN:012032, 2019.
  • [11] Onaç, İ. Kahrıman, F. ve Baytekin, H. Mısırda nem içeriğinin yakın kızıl ötesi (NIR) spektroskopisi ile tespitinde farklı kemometrik yöntemlerin etkisinin belirlenmesi, ÇOMÜ Ziraat Fakültesi Dergisi, vol. 4, pp. 117-124, 2017.
  • [12] Ihaka, R. ve Gentleman, R. R: A language for data analysis and graphics, The Journal of Computational and Graphical Statistics vol. 5, pp. 299-314,1996.
  • [13] Team, R C. R: A language and environment for statistical computing, R Found. Stat. Comput. Vienna, 2019, [Çevrimiçi]. Erişim adresi: https://www.R-project.org/.
  • [14] Chang, W. ve ark., shiny: Web application framework for R. 2020.
  • [15] Mevik , B-H. ve Wehrens, R., The pls package: principal component and partial least squares regression in R, Journal of Statistical Software vol. 18, pp. 1-23, Jan. 2007.
  • [16] Kucheryavskiy, S., mdatools – R package for chemometrics, Chemom Intell Lab Syst vol. 198, s. 103937, Mar. 2020.
  • [17] Kuhn, M. ve ark., caret: Classification and regression training. 2020.
  • [18] Wehrens, R., Chemometrics with R: multivariate data analysis in the natural sciences and life sciences. Berlin Heidelberg: Springer-Verlag, 2011.
  • [19] Meyer, D. ve ark., e1071: Misc functions of the department of statistics, probability theory group (Formerly: e1071), TU Wien. 2019.
  • [20] Stevens, A. ve Ramirez-Lopez, L., prospectr: miscellaneous functions for processing and sample selection of spectroscopic data. 2020.
  • [21] Koc, A., Henriksson T. ve Chawade A., Specalyzer—an interactive online tool to analyze spectral reflectance measurements, PeerJ, vol. 6, e5031, June, 2018.
  • [22] Xie Y. ve ark., DT: A wrapper of the javascript library “DataTables”. 2020.
  • [23] Kahrıman F., ve ark., Mısır tanesinde gıda ve endüstriyel kullanım için önem taşıyan özelliklerin analizinde kullanılabilecek NIRS (yakın kızıl ötesi spektroskopisi) kalibrasyon modellerinin geliştirilmesi (proje no: 215o867), TÜBITAK Projesi Sonuç Raporu, 2017.
  • 24] Williams P.C. ve Sobering D.C., How do we do it: a brief summary of the methods we use in developing near infrared calibrations. In: Davies AMC, Williams PC, editors. Near Infrared Spectroscopy: The Future Waves. Chichester, UK: NIR Publications, pp. 185–188, 1996.
  • [25] Galvez–Sola L. ve ark., The potential of near infrared reflectance spectroscopy (NIRS) for the estimation of agroindustrial compost quality. Sci Total Environ vol: 408, pp. 1414–1421, 2010.
There are 25 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler(Araştırma)
Authors

Fatih Kahrıman 0000-0001-6944-0512

Aycan Sütal 0000-0001-5039-4595

Musa Topçakıl 0000-0001-5805-9572

Ömer Gezer 0000-0002-0492-3844

Project Number 2180355
Publication Date December 16, 2020
Published in Issue Year 2020 Volume: 13 Issue: 2

Cite

APA Kahrıman, F., Sütal, A., Topçakıl, M., Gezer, Ö. (2020). BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 13(2), 47-56.
AMA Kahrıman F, Sütal A, Topçakıl M, Gezer Ö. BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması. TBV-BBMD. December 2020;13(2):47-56.
Chicago Kahrıman, Fatih, Aycan Sütal, Musa Topçakıl, and Ömer Gezer. “BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 13, no. 2 (December 2020): 47-56.
EndNote Kahrıman F, Sütal A, Topçakıl M, Gezer Ö (December 1, 2020) BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 13 2 47–56.
IEEE F. Kahrıman, A. Sütal, M. Topçakıl, and Ö. Gezer, “BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması”, TBV-BBMD, vol. 13, no. 2, pp. 47–56, 2020.
ISNAD Kahrıman, Fatih et al. “BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 13/2 (December 2020), 47-56.
JAMA Kahrıman F, Sütal A, Topçakıl M, Gezer Ö. BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması. TBV-BBMD. 2020;13:47–56.
MLA Kahrıman, Fatih et al. “BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, vol. 13, no. 2, 2020, pp. 47-56.
Vancouver Kahrıman F, Sütal A, Topçakıl M, Gezer Ö. BAFONLINE: Uzaktan Spektral Veri Analizleri için Bir Web Uygulaması. TBV-BBMD. 2020;13(2):47-56.
 Download Cover Image

Article Acceptance

Use user registration/login to upload articles online.

The acceptance process of the articles sent to the journal consists of the following stages:

1. Each submitted article is sent to at least two referees at the first stage.

2. Referee appointments are made by the journal editors. There are approximately 200 referees in the referee pool of the journal and these referees are classified according to their areas of interest. Each referee is sent an article on the subject he is interested in. The selection of the arbitrator is done in a way that does not cause any conflict of interest.

3. In the articles sent to the referees, the names of the authors are closed.

4. Referees are explained how to evaluate an article and are asked to fill in the evaluation form shown below.

5. The articles in which two referees give positive opinion are subjected to similarity review by the editors. The similarity in the articles is expected to be less than 25%.

6. A paper that has passed all stages is reviewed by the editor in terms of language and presentation, and necessary corrections and improvements are made. If necessary, the authors are notified of the situation.

0

.   This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.