تدوین و ارزیابی مدل های عصبی مصنوعی بمنظور برآورد مقادیر L*A*B* با استفاده از مقادیر R ،G، B تصاویر رنگی به کمک بینایی رایانه ای

با توجه به نیاز استفاده از مقادیر رنگی l*، a* و b* به همراه دیگر پارامترهای رنگی از جمله مقادیر r، g و b در کاربردهای کنترل کیفیت رنگی مواد غذایی و کشاورزی، در این پژوهش روشی هوشمند بر پایه سامانه بینایی ماشین ، شبکه‌های عصبی مصنوعی mlp و روش‌ آماری چند متغیره pls برای تخمین مقادیر l*a*b* از مقادیر rgb تصاویر رنگی نمونه‌های مختلف زعفران تدوین گردید. تصاویر رنگی از 33 نمونه مختلف زعفران (165 تصویر) و از صفحات رنگی استاندارد (150 تصویر) تهیه شدند. به کمک سامانه بینایی ماشین توسعه داده شده تصاویر نمونه‌ها دریافت و با استفاده از الگوریتم‌های پردازش تصویر، پردازش و ویژگی‌های رنگی rgb آنها استخراج گردید. از سوی دیگر ویژگی‌های l*a*b* نمونه‌ها توسط دستگاه رنگ‌سنج (به روش هانتر لب) اندازه‌گیری شدند. مقادیر rgb و تبدیلات خطی آنها به عنوان ورودی مدل‌ها و مقادیر مرتبط l*، a* و b* به ترتیب به عنوان خروجی و هدف مدل‌ها در نظر گرفته شدند. در نهایت نتایج نشان داد که مدل‌های mlp با دقت بالاتری و ضرایب رگرسیون مناسب‌تری نسبت به مدل‌های pls مقایر l*، a* و b* نمونههای زعفران را تخمین می‌زنند (r2=0.99 و rmse بترتیب برابر با 0/769، 0/953 و 0/785 برای تخمین هر سه ویژگی l*، a* و b*). در نهایت می‌توان امکان استفاده از سامانه بینایی ماشین را برای کنترل کیفیت رنگی زعفران بیان کرد.

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

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.