Ukrainian Journal of Physical Optics


2026 Volume 27, Issue 4


ISSN 1816-2002 (Online), ISSN 1609-1833 (Print)

INTELLIGENT SOYBEAN SEED FRACTION SEGMENTATION SYSTEM BASED ON THE INTEGRATION OF SPECTRAL SIGNATURES AND PRECISION NEURAL NETWORK ARCHITECTURES

S. Stepanenko and A. Kuzmych

Author Information
Stepanenko, S. ORCID logo SCOPUS logo, Kuzmych, A. ORCID logo SCOPUS logo
Institute of Mechanics and Automatics of Agroindustrial Production of the National Academy of Agrarian Sciences of Ukraine, Department of Mechanical and Technological Problems of Harvesting and Post-Harvest Processing of Grain and Oilseed Crops, 11/1 Vokzalna St, Glevakha, Fastiv district, Kyiv region, 08631, Ukraine
*Corresponding author: stepanenko_s@ukr.net

ABSTRACT

This study presents an intelligent quality control system for soybean seeds that integrates multi-channel spectral analysis with YOLOv11n-seg for instance segmentation. A spectral contrast window at 610–680 nm was identified for optimal impurity separation, alongside a 15–20% increase in the absolute reflectance coefficient in the 450 nm and 500 nm spectral channels for damaged seeds. To enhance micro-defect detection, a hybrid dataset that simulated dynamic blur was used. Increasing input resolution to 1280 pixels significantly improved the mAP50-95 to 0.872, representing a 10.1% enhancement for broken grain identification compared to standard 640-pixel models. Hardware implementation on an NVIDIA Jetson AGX Orin achieved a real-time processing rate of 17 FPS with an overall mAP50 of 0.956. These findings establish a physical and algorithmic foundation for high-precision automated seed sorting in smart agriculture applications.

Keywords: diffuse reflectance spectroscopy, multispectral imaging, edge AI processing, optical sorting, reflectance coefficients, spectral signature

UDC: 535.36/.37:681.785:004.932:635.655

    1. Sunil, C. K., Ashish, R., Chidanand, V., & Shobika, S. (Eds.) (2025). Emerging Non-destructive Technologies for Food Quality Analysis. Cham. Springer.
      doi:10.1007/978-3-031-95048-3
    2. Chung, S. O., Choi, M. C., Lee, K. H., Kim, Y. J., Hong, S. J., & Li, M. (2016). Sensing Technologies for Grain Crop Yield Monitoring Systems: A Review. Journal of Biosystems Engineering, 41, 408-417.
      doi:10.5307/JBE.2016.41.4.408
    3. He, W., Jingtao, H., Lei, G., & Yanfeng, J. (2016). Development and optimization of a novel grain flow sensor based on PVDF piezoelectric film. International Journal of Agricultural and Biological Engineering, 9(4), 141-150.
    4. Afandi, A., Khasani, D., Catrawedarma, I., & Wijayanta, S. (2024). The development of the ultrasonic flowmeter sensors for mass flow rate measurement: A comprehensive review. Flow Measurement and Instrumentation, 97, 102614.
      doi:10.1016/j.flowmeasinst.2024.102614
    5. Flor, O., Palacios, H., Suárez, F., Salazar, K., Reyes, L., González, M., & Jiménez, K. (2022) New Sensing Technologies for Grain Moisture. Agriculture, 12(3), 386. doi: 10.3390/agriculture12030386
      doi:10.3390/agriculture12030386
    6. Ni, X. D., Li, M. L., Li, F. L., Dai, Z.X., Xing, C. X., Wang, F., …He, Z. Z. (2026). Magnetoelastomer-based grain flow sensor for combine harvesters. Computers and Electronics in Agriculture, 244, 111447.
      doi:10.1016/j.compag.2026.111447
    7. Musse, M., Gimbert, I., Diascorn, Y., Quellec, S., Challois, S., Faulds, C.B., & Lucas, T. (2026). Surplus bread fermentation by Pleurotus ostreatus monitored by magnetic resonance imaging. Journal of Food Engineering, 412, 112967.
      doi:10.1016/j.jfoodeng.2026.112967
    8. Cardoso Jesus, J.L., Bilhalva, N.D., Santana, D.C., Teodoro, L.P., Teodoro, P.E., & Coradi, P.C. (2026). Classification of the Physicochemical Quality of White, Parboiled, Black and Red Rice in Storage and Processing Units Integrating Near-infrared Spectroscopy, Hyperspectral Sensing, and Machine Learning Models. Journal of Biosystems Engineering, 51 (1), 8.
      doi:10.1007/s42853-025-00290-z
    9. Pancorbo, J.L., Alonso-Ayuso, M., Camino, C., Raya-Sereno, M.D., Zarco-Tejada, P.J., Molina, I., …Quemada, M. (2023). Airborne hyperspectral and Sentinel imagery to quantify winter wheat traits through ensemble modeling approaches. Precision Agriculture, 24 (4), 1288-1311.
      doi:10.1007/s11119-023-09990-y
    10. Lazzoni, V., Brizi, D., Staglianò, N., Giordano, C., Pecoraro, E., Anichini, M., …Rossi, R. (2024). Development of a microwave sensor for the non-invasive detection of plant responses to water stress: A practical application on maize (Zea mays L.). Biosystems Engineering, 246, 191-203.
      doi:10.1016/j.biosystemseng.2024.08.007
    11. Runtao, L., Xianliang, W., Yanchun, Y., Zhongcai, W., Hua, Z., & Xiangcai, Z. (2022). Research on intelligent detection technology of seed planter. Journal of Chinese Agricultural Mechanization, 43 (5), 93-101.
    12. Yue X., Tan X., Xiao J., Chen J., Ouyang H., & Lan Y. (2026). Research status and development trend of intelligent detection technology for rice pest. Journal of South China Agricultural University, 47 (2), 196-208.
    13. Yang, Z.-K., Li, P.-F., Ding, L.-L., He, C.-Z., & Zhang, K.-P. (2026). Baling process of a belt-type baler based on a discrete element-multi-body dynamics coupling method. Smart Agricultural Technology, 14, 102021.
      doi:10.1016/j.atech.2026.102021
    14. Oeser, L., Wessely, B., Samala, N., Hillemann, L., Göhler, D., Müller, J., …Lienig, J. (2025). Statistical signal analysis for optical aerosol spectrometers: Closing the gap between single particle counting and signal fluctuation analysis. Journal of Aerosol Science, 188, 106611.
      doi:10.1016/j.jaerosci.2025.106611
    15. Ahuome, B. A., Ahmad, I., & Isah, R. H. (2025). The use of MEMS accelerometer in vibration monitoring of white sugar variant centrifugal machine at Dangote sugar refinery NUMAN. Journal of Basics and Applied Sciences Research, 1(1), 184-191.
      doi:10.4314/jobasr.v1i1.19s
    16. Mendoza, P.T.D., Armstrong, P.R., & Siliveru, K. (2025). Hyperspectral Imaging. In: Sunil, C.K., Rawson, A., Chidanand, D.V., Shanmugasundaram, S. (eds) Emerging Non-destructive Technologies for Food Quality Analysis. Springer, Cham.
    17. Guo, T., Zhang, T., Lim, E., Lopez-Benitez, M., Ma, F., & Yu, L. (2022). A Review of Wavelet Analysis and Its Applications: Challenges and Opportunities. IEEE Access, 10, 58869 - 58903.
      doi:10.1109/ACCESS.2022.3179517
    18. Chen, Z., Wu, W., Dou, J., Liu, Z., Chen, K., & Xu, Y. (2021). Design and Analysis of a Radio-Frequency Moisture Sensor for Grain Based on the Difference Method. Micromachines, 12(6), 708.
      doi:10.3390/mi12060708
    19. Stepanenko S., Kuzmych A., Kharchenko S., Borys A., Dnes V., Volyk D., & Kalinichenko R. (2025). A machine vision approach for grain quality control during separation. Journal of Engineering Sciences (Ukraine), 12(1), E9-E17.
      doi:10.21272/jes.2025.12(1).e2

    У цьому дослідженні представлено інтелектуальну систему контролю якості насіння сої, яка інтегрує багатоканальний спектральний аналіз із сегментацією екземплярів на базі нейромережі YOLO11n-seg. Визначено спектральне «контрастне вікно» в діапазоні 610–680 нм для оптимального відокремлення домішок, а також зафіксовано підвищення абсолютного коефіцієнта відбивання на 15–20% у спектральних каналах 450 нм і 500 нм для пошкодженого насіння. Для покращення детекції мікродефектів було використано гібридний набір даних, що імітує динамічне розмиття кадру. Збільшення вхідної роздільної здатності зображення до 1280 пікселів істотно покращило чіткість визначення меж об'єктів, забезпечивши підвищення точності ідентифікації битого зерна на 10,1% порівняно зі стандартними моделями з роздільною здатністю 640 пікселів. Апаратна реалізація на межовій платформі NVIDIA Jetson AGX Orin забезпечила швидкість обробки даних у реальному часі на рівні 17 FPS із загальною точністю класифікації 0,956. Отримані результати формують фізичний та алгоритмічний базис для високоточного автоматизованого сортування насіння в інтелектуальних сільськогосподарських застосуваннях.

    Ключові слова: спектроскопія дифузного відбивання, мультиспектральна візуалізація, межові обчислення штучного інтелекту, оптичне сортування, коефіцієнти відбивання, спектральна сигнатура

Free download this article 

This work is licensed under CC BY 4.0