بخشی از مقاله
چکیده
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 ک شاورزی، در این پژوهش رو شی هو شمند بر پایه سامانه بینایی ما شین1، شبکههای ع صبی مصنوعی MLP2 و روش آماری چند متغیره PLS3 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 ما شین تو سعه داده شده ت صاویر نمونهها دریافت و با ا ستفاده از الگوریتمهای پردازش ت صویر، 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*b* به عنوان خروجی و هدف مدلها در نظر گرفته شدند.
در نهایت نتایج نشان داد که مدلهای MLP با دقت بالاتری و ضرایب رگرسیون منا سبتری ن سبت به مدلهای PLS مقایر L*، a* و b* نمونههای زعفران را تخمین میزنند R2 - برابر 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 ا ستفاده از سامانه ما شین بینایی توسعه یافته را برای کنترل کیفیت رنگی زعفران و بصورت برخط بیان کرد.
مقدمه
رنگ یک ویژگی بسیار مهم است که بطور گسترده در ارزیابی مواد غذایی و محصولات کشاورزی استفاده میشود و همچنین یک فاکتور کلیدی در بازار پسندی این محصولات میباشد . - Wu and Sun, 2013 - استاندارد بین المللی اندازهگیری رنگ، CIE L*a*b*، توسط کمسیون بین المللی d'Eclairage در سال 1986 برای ارزیابی رنگ این محصولات تصویب شده است زیرا این فضای رنگی مستقل از دستگاه تصویربردار و شریط محیطی آن میباشد.
- CIE, 1986 - این فضای رنگی با مختصاتی به شرح الف - L* یا تابناکی، مربوط به درجه تاریکی مواد و با عددی بین 0 - سیاه - تا 100 - سفید - بیان میشود، ب - a* بازه قرمز تا سبز را با عددی بین -120 تا 120 مشخص میکند و پ - b* بازه آبی تا زرد را با عددی بین -120 تا 120 مشخص میکند، بیان میشود. همچنین در بسیاری از کاربردهای رنگ سنجی از فضای رنگی RGB و تبدیلات خطی آن یعنی HSV، YIQ و YCbCr استفاده میشود.
توضیحات بیشتر این فضاهای رنگی در کتابها و مقالات متعدد از جمله - Du & Sun, 2005; 6KD HH et al., 2014 - یافت میشود. تصاویر رنگی با فرمت RGB و درنتیجه تبدیلات خطی آن به شدت تحت تاثیر پارمترهایی مانند نورپردازی و مشخصات دوربینهای تصویربرداری قرار دارند . - Oliveira et al., 2016 - سامانه بینایی ماشین شامل دوربین تصویربرداری، سامانه نورپردازی و الگوریتمهای دریافت و پردازش تصاویر است - Kiani et al., . - 2016a با استفاده از الگوریتمهای پردازش تصاویر، اطلاعات رقمی تصاویر دریافت شده استخراج و برای اندازهگیری سریع و غیر مخرب مورد استفاده قرار میگیرند.
این روش بعنوان یک ابزار رنگ سنج دیجیتال، کم هزینه و چند منظوره در مقابل روشهای مرسوم مانند اسپکتروفتومتری و رنگ سنجی بوسیله دستگاه هانترلب قابل استفاده میباشد. سامانههای بینایی ماشین بطور گستردهای برای تعیین کیفیت رنگ تعداد مختلفی از مواد غذایی و بصورت برخط استفاده شده است. مثالهای از این سامانه عبارتند از: برای ارزیابی کیفیت رنگی موز ، گوشت - Larrain et al., 2008 - ، ماهی - Yagiz et al., 2009 - ، نوشیدنیها - Martin et al ., 2007; Fernandez-Vazquez et al., 2011 - ، عسل - 6KD HH et al., 2014 - ، دانههای قهوه-و محصولات متفاوت دیگر - Sliwinska et al., 2014; and Chen et al., . - 2015 در بسیاری از موارد کنترل کیفیت مواد غذایی و کشاورزی که از ترکیب این فضاهای رنگی استفاده کردهاند، قدرت تفکیک پذیری فضای رنگی L*a*b* نسبت به فضای RGB موثرتر گزارش شده است - Leon et al. 2006 - و صحیح بنظر میرسد که مجموعه فضاهای رنگی فوق در کاربردهای پردازش تصویر مورد بررسی قرار گیرند.
به دلایل تاثیرات نورپردازی و مشخصات دوربینهای تصویربرداری در کیفیت تصاویر، تبدیلات خطی از فضای RGB به فضای L*a*b* امکانپذیر نمیباشد. همچنین دریافت مقادیر L*a*b* بوسیله دستگاه رنگسنج هانتر لب زمانبر و پر هزینه میباشد و همچنیناین دستگاه قابلیت برخط شدن را ندارد. بنابرین در این پژوهش روشی بر مبنای سامانه بینایی ماشین، شبکههای عصبی مصنوعی MLP و روش آماری PLS به منظور تبدیل مقادیر رنگی از فضای RGB به فضایL*a*b* تدوین و ارزیابی میشود.
