Traditional methods of luminance estimation are performed with the help of electronic systems. However, the changes in lighting properties, such as color temperature and the lamp illumination angle, affect the luminance on the object, making luminance estimation difficult compared to traditional methods. Therefore, this study proposes an image-based approach using convolutional neural networks (CNNs) models to provide an alternative solution for luminance estimation. In this study, luminance estimation is performed on defective and healthy apple images by considering the effects of color temperature and lamp illumination angle. According to the results, the GoogLeNet model exhibited the best performance at values where the learning rate was 0.001 and the batch size was eight. It also performed the best luminance estimation with a lower Root Mean Square Error (RMSE) value. According to color temperatures, defective apples showed the lowest RMSE value at warm white light, and healthy apples showed the lowest RMSE value at cold white light. According to color temperatures, the best luminance estimation is a 5.023 cd/m² RMSE value at a cold white light. According to lamp angle, defective apples obtained the lowest RMSE value at 5.106 cd/m² at a 60-degree angle, and healthy apples obtained the lowest RMSE value at 6.411 cd/m² at a 45-degree angle.
Luminance estimation color temperature lamp illumination angle deep learning
This work was supported by the Scientific Research Project at Konya Technical University, Konya, Turkey (No. 201113006).
Geleneksel yöntemlerle parıltı tahmini, elektronik sistemler yardımıyla gerçekleştirilmektedir. Ancak, nesne üzerindeki parıltıyı etkileyen renk sıcaklığı ve lambanın nesneyi aydınlatma açısı gibi aydınlatma özelliklerinin değişimi geleneksel yöntemlerle parıltı tahminini zorlaştırmaktadır. Dolayısıyla bu çalışmada, parıltı tahminine alternatif bir çözüm sunmak amacıyla evrişimsel sinir ağları (CNN) modellerinden yararlanılarak görüntü tabanlı bir yaklaşım önerilmiştir. Çalışmada, renk sıcaklığı ve lambanın konum açısının etkileri göz önünde bulundurularak, kusurlu ve kusursuz elma görüntüleri üzerinde parıltı tahmini yapılmıştır. Elde edilen sonuçlara göre, GoogLeNet modeli, öğrenme oranının 0.001 ve yığın boyutunun 8 olduğu değerlerde en iyi performansı sergileyerek, daha düşük Karekök Ortalama Kare Hata (RMSE) değeri ile en iyi parıltı tahminini gerçekleştirmiştir. Renk sıcaklıklarına göre, kusurlu elmalar en düşük RMSE değerini 2700 K renk sıcaklığında ve kusursuz elmalar ise en düşük RMSE değerini 6500 K renk sıcaklığında göstermiştir. Renk sıcaklıklarına göre; en iyi parıltı tahmini, 6500 K renk sıcaklığında 5.023 cd/m² RMSE değerindedir. Lamba açısına göre; kusurlu elmalar en düşük RMSE değerini 60 derecelik açıda 5.106 cd/m² ve kusursuz elmalar en düşük RMSE değeri ise 45 derecelik açıda 6.411 cd/m² olarak elde etmiştir.
Parıltı tahmini renk sıcaklığı lambanın aydınlatma açısı derin öğrenme
This work was supported by the Scientific Research Project at Konya Technical University, Konya, Turkey (No. 201113006).
Birincil Dil | İngilizce |
---|---|
Konular | Bilgisayar Görüşü, Görüntü İşleme, Makine Öğrenme (Diğer) |
Bölüm | Bilgisayar Mühendisliği |
Yazarlar | |
Yayımlanma Tarihi | 3 Haziran 2025 |
Gönderilme Tarihi | 25 Ocak 2025 |
Kabul Tarihi | 22 Mart 2025 |
Yayımlandığı Sayı | Yıl 2025Cilt: 28 Sayı: 2 |