Statistical evaluation of texture analysis from the biocrystallization method

Statistical evaluation of texture analysis from the biocrystallization method

dc.contributor.corporatename	Kassel, Universität, FB 11, Ökologische Agrarwissenschaften
dc.contributor.referee	Ploeger, Angelika (Prof. Dr.)
dc.contributor.referee	Piepho, Hans-Peter (Prof. Dr.)
dc.date.accessioned	2007-04-10T09:52:22Z
dc.date.available	2007-04-10T09:52:22Z
dc.date.examination	2007-03-30
dc.date.issued	2007-04-10T09:52:22Z
dc.format.extent	34239535 bytes
dc.format.extent	6440934 bytes
dc.format.mimetype	application/pdf
dc.format.mimetype	application/pdf
dc.identifier.uri	urn:nbn:de:hebis:34-2007041017616
dc.identifier.uri	http://hdl.handle.net/123456789/2007041017616
dc.language.iso	eng
dc.rights	Urheberrechtlich geschützt
dc.rights.uri	https://rightsstatements.org/page/InC/1.0/
dc.subject	Produktqualität	ger
dc.subject	Ökologische Lebensmittel	ger
dc.subject	Untersuchungsmethoden	ger
dc.subject.ddc	630
dc.title	Statistical evaluation of texture analysis from the biocrystallization method	eng
dc.type	Dissertation
dcterms.abstract	The consumers are becoming more concerned about food quality, especially regarding how, when and where the foods are produced (Haglund et al., 1999; Kahl et al., 2004; Alföldi, et al., 2006). Therefore, during recent years there has been a growing interest in the methods for food quality assessment, especially in the picture-development methods as a complement to traditional chemical analysis of single compounds (Kahl et al., 2006). The biocrystallization as one of the picture-developing method is based on the crystallographic phenomenon that when crystallizing aqueous solutions of dihydrate CuCl2 with adding of organic solutions, originating, e.g., from crop samples, biocrystallograms are generated with reproducible crystal patterns (Kleber & Steinike-Hartung, 1959). Its output is a crystal pattern on glass plates from which different variables (numbers) can be calculated by using image analysis. However, there is a lack of a standardized evaluation method to quantify the morphological features of the biocrystallogram image. Therefore, the main sakes of this research are (1) to optimize an existing statistical model in order to describe all the effects that contribute to the experiment, (2) to investigate the effect of image parameters on the texture analysis of the biocrystallogram images, i.e., region of interest (ROI), color transformation and histogram matching on samples from the project 020E170/F financed by the Federal Ministry of Food, Agriculture and Consumer Protection(BMELV).The samples are wheat and carrots from controlled field and farm trials, (3) to consider the strongest effect of texture parameter with the visual evaluation criteria that have been developed by a group of researcher (University of Kassel, Germany; Louis Bolk Institute (LBI), Netherlands and Biodynamic Research Association Denmark (BRAD), Denmark) in order to clarify how the relation of the texture parameter and visual characteristics on an image is. The refined statistical model was accomplished by using a lme model with repeated measurements via crossed effects, programmed in R (version 2.1.0). The validity of the F and P values is checked against the SAS program. While getting from the ANOVA the same F values, the P values are bigger in R because of the more conservative approach. The refined model is calculating more significant P values. The optimization of the image analysis is dealing with the following parameters: ROI(Region of Interest which is the area around the geometrical center), color transformation (calculation of the 1 dimensional gray level value out of the three dimensional color information of the scanned picture, which is necessary for the texture analysis), histogram matching (normalization of the histogram of the picture to enhance the contrast and to minimize the errors from lighting conditions). The samples were wheat from DOC trial with 4 field replicates for the years 2003 and 2005, “market samples”(organic and conventional neighbors with the same variety) for 2004 and 2005, carrot where the samples were obtained from the University of Kassel (2 varieties, 2 nitrogen treatments) for the years 2004, 2005, 2006 and “market samples” of carrot for the years 2004 and 2005. The criterion for the optimization was repeatability of the differentiation of the samples over the different harvest(years). For different samples different ROIs were found, which reflect the different pictures. The best color transformation that shows efficiently differentiation is relied on gray scale, i.e., equal color transformation. The second dimension of the color transformation only appeared in some years for the effect of color wavelength(hue) for carrot treated with different nitrate fertilizer levels. The best histogram matching is the Gaussian distribution. The approach was to find a connection between the variables from textural image analysis with the different visual criteria. The relation between the texture parameters and visual evaluation criteria was limited to the carrot samples, especially, as it could be well differentiated by the texture analysis. It was possible to connect groups of variables of the texture analysis with groups of criteria from the visual evaluation. These selected variables were able to differentiate the samples but not able to classify the samples according to the treatment. Contrarily, in case of visual criteria which describe the picture as a whole there is a classification in 80% of the sample cases possible. Herewith, it clearly can find the limits of the single variable approach of the image analysis (texture analysis).	eng
dcterms.abstract	Verbraucher fragen in zunehmendem Masse zusätzlich zur Prozess qualität nach der Produktqualität von ökologischen Lebensmitteln. Dabei gehören zum systemischen Ansatz des Ökologischen Landbaus auch systemische Untersuchungsmethoden, die mehr als analytische Methoden liefern. Mögliche systemische Methoden, die nicht nur Einzelstoffe bestimmen sind die sog bildschaffenden Methoden. Eine dieser Methoden ist die Biokristallisationsmethode, bei der ein Pflanzensaft oder -extrakt mit CuCl2 -Salz gemischt wird und durch definiertes Verdampfen des Wassers zur Kristallisation gebracht wird. Das entstehende Kristallisationsbild kann visuell in Kriterien und per Computer mittels „image analysis“ in Variablen umgesetzt und statistisch ausgewertet werden. Um die Standardisierung der Auswertung zu verbessern, wird in dieser Arbeit (1) das statistische Modell für die Auswertung der computergestützten „image analysis“ Ergebnisse optimiert, (2) die Parameter der „image analysis“ hinsichtlich einer Optimierung der Differenzierung von Weizen- oder Möhrenproben aus dem BMELV Projekt 020E170/F hinsichtlich Anbau und Sorten untersucht und (3) untersucht wie sich die Ergebnisse der „image analysis“ in den Kriterien der visuellen Beurteilung, wiederfinden welche innerhalb einer Forschungsgruppe bestehend aus: Universität Kassel , Louis-Bolk-Instituut (NL), Biodynamic Research Association Danmark (DK) entwickelt wurden. Das Statistikmodell wird mittels des Ansatzes des mixed-effects-modell in R(Version 2.1.0) entsprechend erweitert. Die Gültigkeit der Resultate wird mit demselben Modell in SAS abgeglichen. Bei denselben F Werten berechnet R nach einem konservativeren Ansatz die P-werte als SAS, liefert aber signifikantere Werte als das vorhergehende Modell. Bei der Optimierung der „image analysis“ Parameter geht es um folgende Größen: ROI (Region Of Interest ist Fläche um das geometrische Zentrum des Bildes), „color transformation“ (Umrechnung der dreidimensionalen Farbinformation des Bildes auf die eindimensionalen „Grauwerte“ , die von der Texturanalyse nur verarbeitetet werden können), „histogramm matching“ (Normierung des Histogramms des Bildes, um den Kontrast zu erhöhen und Beleuchtungsfehler zu minimieren). Als Beurteilungskriterium wurde die Wiederholbarkeit der Differenzierbarkeit der Proben über die vorhandenen Jahre genommen. Für die verschiedenen Probenarten wurden pro Fragestellung verschiedene ROIs gefunden, in denen sich die Verschiedenheit der Bilder abbilden. Für „color transformation“ und „histogramm matching“ wurden für alle Proben dieselben Einstellungen gefunden, die mit den Ausgangseinstellungen übereinstimmten. Untersucht wurden für Weizen einerseits die 5 DOK-Proben mit je 4 Feldwiederholungen für die Jahre 2003 und 2005, andererseits sog. Erzeugerproben (Ökologische und Konventionell Nachbarbetrieben mit derselben Sorte) für 2004 und 2005. Für Möhren wurden einerseits Proben der Universität Kassel (2 Sorten, 2 Nitrat Stufen) für die Jahre 2004, 2005 , 2006 und wie bei Weizen Erzeugerproben für 2004 und 2005 untersucht. Die Untersuchung der Verbindung der „image analysis“ Ergebnisse mit den visuellen Kriterien wurde auf die Möhrenproben beschränkt und insbesondere auf solche, die sich stark signifikant unterschieden. Es wurde versucht anhand der einzelnen „image analysis“ Variablen und der Art und Weise, wie sie berechnet werden eine Verbindung zu den visuellen Kriterien herzustellen. Es war möglich bekannte Gruppen aus den „image analysis“ Variablen, mit mehreren visuellen Kriterien zu verbinden. Mit diesen Variablen konnten die Proben getrennt werden, eine Klassifizierung zeigte keine eindeutige Zuordnung zur Herkunft der Probe. Geht man dagegen bei der Auswertung der Bilder nicht von den Einzelvariablen der „image analysis“ aus, sondern von visuellen Kriterien, die das Gesamtbild beschreiben, so ergibt sich die Möglichkeit der richtigen Klassifizierung in 80 % der Fälle. Hier zeigt sich deutlich die Grenzen der Auswertung der Einzelvariablen der „image analysis“ (hier Texturanalyse) , mit der eine Klassifizierung zur Zeit noch nicht erreicht werden kann.	ger
dcterms.accessRights	open access
dcterms.alternative	Effect of image parameters to differentiate samples from different farming systems	eng
dcterms.creator	Meelursarn, Aumaporn