یک سیستم خبره قابل حمل مبتنی بر بینایی ماشین برای توصیف ویژگی‌های کیفیت رنگ زعفران

در این پژوهش، تلاش شده است تا یک سیستم بینایی ماشین (CVS) برای کاراکتریزاسیون غیرمخرب زعفران (Crocus sativus L.) توسعه و ارزیابی شود. ۳۳ نمونه زعفران از مناطق جغرافیایی مختلف مورد آزمایش قرار گرفتند. ۱۴ ویژگی رنگی با استفاده از تحلیل تصویر استخراج شدند. تحلیل مؤلفه‌های اصلی (PCA) برای خوشه‌بندی نمونه‌های زعفران و انتخاب ویژگی‌های رنگی مناسب به کار رفت. مدل‌های حداقل مربعات جزئی (PLS)، رگرسیون چندخطی (MLR) و شبکه‌های عصبی پرستروپل (Multilayer Perceptron – MLP) برای برقراری رابطه بین ویژگی‌های رنگی و قدرت رنگ‌دهی زعفران بر اساس استاندارد ISO 3632 استفاده شدند. نتایج آزمایشگاهی نشان داد که بهینه‌ترین PCA با استفاده از دو مؤلفه اصلی اول (2 PC) و با ۹۵٪ واریانس کلی بین نمونه‌های آزمایش‌شده به دست آمد. عملکرد مدل‌های MLP برای کاراکتریزاسیون رنگ زعفران از سایر مدل‌ها بهتر بود، با ضرایب همبستگی بالا در اعتبارسنجی متقابل (R² = ۹۹٪) و مقدار خطای جذر میانگین مربعات (RMSE) برابر با ۴.۵ و همچنین نرخ موفقیت طبقه‌بندی بالا (۹۶.۶۷٪).

In this work, attempts were made in order to develop and evaluate a Computer Vision System (CVS) for non-destructive characterization of saffron (Crocus sativus L.). Thirty-three saffron samples from different geographical regions were tested. Fourteen color features were extracted using image analysis. Principal Component Analysis (PCA) was used for saffron sample clustering and for selection of color features. Partial Least Squares (PLS), Multiple Linear Regression (MLR) and Multilayer Perceptron (MLP) neural networks were utilized to establish relationships between color features and coloring strength of saffron based on ISO 3632 standard. Experimental results showed that the optimal PCA was obtained by the first 2 PCs and with 95% total variance between the samples tested. Performance of MLP models for saffron color characterization were better than others, with high correlation coefficients of the cross validation (R2 and RMSE values equal to 99% and 4.5, respectively) and high classification success rate of 96.67%.