تدوين و ارزيابي مدل هاي عصبي مصنوعي به منظور برآورد مقادير a* ،L*و b* با استفاده از مقادير G ،R و B تصاوير رنگي به كمك بينايي رايانه اي

Development and evaluation of artificial neural models for RGB to L*a*b* color feature transformation using machine vision system

با توجه به نياز استفاده از مقادير رنگى a* ،L*و b* به همراه ديگر پارامترهاى رنگى از جمله مقادير G ،R و B در كاربردهاى كنترل كيفيت رنگى مواد غذايى و كشاورزى، در اين پژوهش روشى هوشمند بر پايه سامانه بينايى ماشين، شبكه هاى عصبى مصنوعىMLP و روش آمارى چند متغيره PLS براى برآورد از مقادير a* ،L*و b* از مقادير G ،R و B تصاوير رنگى نمونه هاى مختلف زعفران تدوين گرديد. تصاوير رنگى از 33 نمونه مختلف زعفران(165تصوير) و از صفحات رنگى استاندارد(150تصوير) تهيه شدند. به كمك سامانه بينايى ماشين ساخته شده تصاوير نمونه ها دريافت و با استفاده از الگوريتم هاى پردازش تصوير پردازش و ويژگى هاى رنگى رنگي G ،R و B آن ها استخراج گرديد. از سوى ديگر ويژگى هاى a* ،L*و b* نمونه ها توسط دستگاه رنگ سنج(به روش هانتر لب) اندازه گيرى شدند. مقاديرRGB و تبديلات خطى آن ها به عنوان ورودى مدل ها و مقادير مرتبط a* ،L*و b* به ترتيب به عنوان خروجى و هدف مدل ها در نظر گرفته شدند. در نهايت نتايج نشان داد كه مدل هاى MLPبا دقت بالاترى و ضرايب رگرسيون مناسب ترى نسبت به مدل هاى PLSمقادير a* ،L*و b* نمونه هاى زعفران را برآورد كردندR20/99 و RMSEبه ترتيب برابر با 0/953،0/769،0/785 براى برآورد هر سه ويژگى a* ،L*و b* در نهايت مى توان امكان استفاده از سامانه بينايى ماشين را براى كنترل كيفيت رنگى زعفران بيان كرد

In this study an intelligent system based on machine vision, Multilayer Perceptron (MLP) artificial neural network and Partial Least Square (PLS) models was developed to estimate the L*, a*, and b* values for saffron samples utilizing their RGB color values. Color images of 33 saffron samples (165 images) and 150 color images of standard colored plates were captured utilizing the developed machine vision system. In order to extract RGB parameters, the images were processed using image processing algorithms. Also, L*a*b* values of each sample was measured using a commercial colorimeter (Hunter Lab, color Flex, USA) in triplicate and the measurements were averaged to obtain the final values. RGB values and their linear transformations were set as the inputs of the models and L*, a*, and b* values were set as model outputs, respectively. Experimental results showed that the performance of MLP models were better than those of PLS, with high correlation coefficients of cross validation (R2 and RMSE values equal to 99% and 0.769, 0.953, and 0.785, respectively). Finally, it can be stated the capability of machine vision technology for color quality evaluation of saffron.