برآورد محاسباتی واحدهای رنگی L*a*b* از RGB با کمک پردازش تصاویر دیجیتالی

مجله پژوهشهای علوم و صنایع غذایی ایران

مقاله 5، دوره 13، شماره 1 - شماره پیاپی 43، فروردین و اردیبهشت 1396، صفحه 53-64   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ifstrj.v1395i0.45345

نویسندگان

سامان آبدانان مهدی زاده^* ؛ سمیه امرایی

گروه مکانیک بیوسیستم دانشگاه کشاورزی و منابع طیبعی رامین خوزستان.

چکیده

رنگ اولین ویژگی کیفیت مواد غذایی است که توسط مصرف کنندگان مورد بررسی قرار می گیرد. اندازه گیری رنگ مواد غذایی به‌عنوان یک شاخص غیرمستقیم در اندازه گیری دیگر ویژگی های کیفیتی مانند عطر و طعم و محتویات رنگدانه به دلیل سرعت و سادگی در اندازه گیری، و همچنین ارتباط با سایر خواص فیزیکی محصولات غذایی مورد استفاده قرار می گیرد. در میان فضاهای رنگی مختلف، عموما در اندازه گیری رنگ مواد غذایی، از فضای رنگی L*a*b* با توجه به توزیع یکنواخت و نزدیکی بسیار زیاد به ادراک انسان استفاده می شود. بطور کلی رنگ سنج های تجاری هنگام اندازه-گیری رنگ، سطح کوچکی از محصول را پوشش می دهند. در مقابل دوربین های دیجیتال اطلاعات پیکسلی را در اختیار کاربر قرار می دهند؛ این پژوهش یک راه‌حل محاسباتی به‌منظور استخراج واحدهای L*a*b* از اطلاعات پیکسلی تصاویر RGB دیجیتال را ارائه می دهد. در این مطالعه به‌منظور تبدیل واحدهای RGB به L*a*b* از چهار مدل: خطی، درجه دوم، شبکه عصبی مصنوعی (ANN) و رگرسیون بردار پشتیبانی (SVR) استفاده گردید. در ارزیابی مدل ها، رگرسیون بردار پشتیبانی و مدل شبکه عصبی به ترتیب با خطای 88/0 و 37/2 بهترین عملکرد را از خود نشان دادند. با توجه به مدل های شکل گرفته، ارتباط خوبی بین رنگ اندازه گیری و برآورد شده تشکیل شده بود. بنابراین، بر اساس نتایج بدست آمده از بینایی ماشین، روش توصیه شده در این پژوهش برای تبدیل دقیق رنگ یک محصول غذایی از روی اطلاعات پیکسلی یک دوربین دیجیتال به L*a*b* مناسب می باشد.

کلیدواژه‌ها

رنگ؛ RGB؛ L*a*b*؛ ANN؛ SVR

مراجع

آبدانان مهدیزاده، س.، 1395 . تشخیص ترک در پوسته تخممرغ با استفاده از PCA و SVM. مجله علوم و صنایع غذایی ایران، 56(13)، 143-153.

ناصحی، ب.، 1392، بررسی روش های مختلف ارزیابی رنگ در اسپاگتی، نشریه پژوهشهای صنایع غذایی، (1)23، 47-57.

Abdanan Mehdizadeh, S., Minaei, S., Hancock, N. H. & Karimi Torshizi M. A., 2014. An intelligent system for egg quality classification based on visible-infrared transmittance spectroscopy. Information Processing in Agriculture, 1, 105-114.

Abdanan Mehdizadeh, S., Sandell, G., Golpour, A. & Karimi Torshizi M. A., 2014. Early Determination of Pharaoh Quail Sex after Hatching Using Machine Vision. Bulletin of Environment, Pharmacology and Life Sciences, 1, 105-114.

Alonso, J., Castanon, A. R., & Bahamonde, A., 2013. Support Vector Regression to predict carcass weight in beef cattle in advance of the slaughter. Computers and Electronics in Agriculture, 91, 116-120.

Craninx, M., Fievez, V., Vlaeminck, B., & De Baets, B., 2008. Artificial neural network models of the rumen fermentation pattern in dairy cattle. Computers and Electronics in Agriculture, 60(2), 226-238.

Fernandez-Vazquez, R., Stinco, C. M., Melendez-Martinez, A. J., Heredia, F. J., & Vicario, I. M., 2011. Visual and instrumental evaluation of orange juice color: a consumers’ preference study. Journal of Sensory Studies, 26, 436-444.

Hardeberg, J. Y., Schmitt, F., Tastl, I., Brettel, H., & Crettez, J.-P., 1996. In Proceedings of 4th Color Imaging Conference: Color Science, Systems and Applications, Scottsdale, Arizona, Nov, pp. 108-113.

Hornick, K., Stinchcombe, M., & White, H., 1989. Multilayer feedforward networks are universal approximators. Neural Networks, 2, 359-366.

Ilie, A., & Welch, G., 2005. Ensuring color consistency across multiple cameras. In Proceedings of the tenth IEEE international conference on computer vision (ICCV-05), Vol. 2, 17–20 Oct (pp. 1268-1275).

Jam, L., & Fanelli, A. M., 2000. Recent advances in artificial neural networks design and applications, CRC Press.

Khanna, T., 1990. Foundations of Neural Networks, Addison-Wesley Publishing Company.

Lang, C., & Hübert, T., 2012. A color ripeness indicator for apples. Food and Bioprocess Technology, 5(8), 3244-3249.

Leon, K., Mery, D., Pedreschi, F., & Leon, J., 2006. Color measurement in L*a* b* units from RGB digital images. Food research international, 39(10), 1084-1091.

Lolas, S., & Olatunbosun, O. A., 2008. Prediction of vehicle reliability performance using artificial neural networks. Expert Systems with Applications, 34(4), 2360-2369.

Maguire, K., 1994. Perceptions of meat and food: Some implications for health promotion strategies. British Food Journal, 96(2), 11-17.

Mancini, R. A., & Hunt, M. C., 2005. Current research in meat color. Meat Science, 71(1), 100-121.

Mendoza, F., & Aguilera, J. M., 2004. Application of image analysis for classification of ripening bananas. Journal of Food Science, 69, 471-477.

Paschos, G.,2001. Perceptually uniform color spaces for color texture analysis: an empirical evaluation. IEEE Transactions on Image Processing, 10(6), pp.932-937.

Pathare, P. B., Opara, U. L., & Al-Said, F. A. J., 2013. Color measurement and analysis in fresh and processed foods: a review. Food and Bioprocess Technology, 6(1), 36-60.

Pedreschi, F., Mery, D., Bunger, A., & Yanez, V., 2011. Computer vision classification of potato chips by color. Journal of Food Process Engineering, 34, 1714-1728.

Stoderstrom, T., & Stoica, P., 1989. System identification. New York: Prentice-Hall.

Tripathy, P. P., & Kumar, S., 2009. Neural network approach for food temperature prediction during solar drying. International Journal of Thermal Sciences, 48(7), 1452-1459.

Trusell, H. J., Saber, E., & Vrhel, M., 2005. Color image processing, IEEE Signal Processing Magazine, 22(1), 14-22.

Vapnik, V.N., 1998. Statistical Learning Theory. Wiley-Interscience, New York.

Wu, D., & Sun, D. W., 2013. Color measurements by computer vision for food quality control–A review. Trends in Food Science & Technology, 29(1), 5-20.

Yagiz, Y., Balaban, M. O., Kristinsson, H. G., Welt, B. A., & Marshall, M. R., 2009. Comparison of Minolta colorimeter and machine vision system in measuring colour of irradiated Atlantic salmon. Journal of the Science of Food and Agriculture, 89, 728-730.

Yam, K. L., & Papadakis, S., 2004. A simple digital imaging method for measuring and analyzing color of food surfaces. Journal of Food Engineering, 61, 137-142.

Zapotoczny, P., & Majewska, K., 2010. A comparative analysis of colour measurements of the seed coat and endosperm of wheat kernels performed by various techniques. International Journal of Food Properties, 13, 75-89