haku: @keyword machine vision / yhteensä: 44
viite: 10 / 44
Tekijä: | Vihlman, Mikko |
Työn nimi: | Detection, localization and species identification of young trees using machine vision |
Puiden havaitseminen, paikantaminen ja lajitunnistus varttuneessa taimikossa konenäöllä | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2012 |
Sivut: | viii + 70 + liitt. (+20) Kieli: eng |
Koulu/Laitos/Osasto: | Automaatio- ja systeemitekniikan laitos |
Oppiaine: | Automaatiotekniikka (AS-84) |
Valvoja: | Visala, Arto |
Ohjaaja: | Kalmari, Jouko |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 7642 | Arkisto |
Avainsanat: | machine vision localization tree species identification classification 3D laser scanner range image segmentation texture analysis infra-red imaging konenäkö paikantaminen puulajin tunnistaminen luokittelu 3D laserskanneri etäisyyskuva segmentointi tekstuurianalyysi infrapunakuvaus |
Tiivistelmä (fin): | Tämä työ käsitteli varttuneiden taimien havaitsemista, paikantamista ja lajitunnistusta. Havaitseminen ja paikantaminen perustuivat laseretäisyyskuvien segmentointiin ja lajiluokittelu konenak6kameralla otettuihin kuviin. Etäisyyskuvien syvyyskynnystys löysi melkein kaikki puut laseretäisyyskuvista. Osa puista jakaantui useampaan segmenttiin, osa yhdistyi yhdeksi segmentiksi. Lasersegmentit projisoitiin kamerakuviin ja kuvat jaettiin osiin. Osat luokiteltiin naiivilla Bayes-luokittelijalla ja puulaji pääteltiin osaluokkien painotetulla äänestyksellä. Luokittelussa käytettiin 130 kuvatekstuuripiirrettä seuraavista ryhmistä: yhteisesiintymä- ja juoksunpituusmatriisit, reunatiheys, Laws-matriisit, fraktaalidimensio, statistical geometrical -piirteet, local binary patterns, wavelet-hajotelma ja Gabor-suodin. Luokittelija valittiin yhdistelemällä piirteitä satunnaisesti. Myös infrapunapiirteitä tarkasteltiin, mutta ne todettiin tehottomiksi. Luokittelija opetettiin 10 kuvan leave-one-out-ristivalidoinnilla kuviin merkityillä puilla. Kukin kuva luokiteltiin jättämällä se pois harjoitusaineistosta ja opettamalla luokittelija muilla yhdeksällä kuvalla. Valittu luokittelija tunnisti 93 % kuusista ja 88 % koivuista. Luokittelijaa täytyy vielä validoida lisää. Luokittelija teki virheitä eri puulajien rajoilla. Lisäksi vaaleat kuusenrungot sekä puunoksien välistä näkyvä taivas ja muut objektit aiheuttivat virheluokituksia. Lopullisessa lasersegmennissa kuusien havaitsemisprosentti oli 89 %. Koivuista 33 % yhdistyi kuusisegmentteihin, muista koivuista havaittiin 96 %. Havaituista kuusista tunnistettiin 88 % ja koivuista 81 %. Kuusisegmentteihin yhdistyneet koivut voidaan tunnistaa kuva-alueiden osaluokituksilla. |
Tiivistelmä (eng): | The goal of this thesis was to detect and localize young trees and to classify tree species. Detection and localization were based on segmentation of laser range images. Tree species classification was done with a machine vision camera. Depth thresholding found nearly all trees in range images but resulted in split and. merged segments. Laser segments were projected onto camera image and divided to image blocks. Blocks were classified with naive Bayes classifier. The tree species was interpreted by weighted voting of sub-classes. Texture and infra-red analysis were considered for feature extraction. Infra-red features performed poorly. In total 130 texture features from co-occurrence and run-length matrices, edge frequency, Laws' matrix, fractal dimension, statistical geometrical features, local binary patterns, wavelet decomposition and Gabor filter were utilized. Random feature combinations were used to find the best classifier. Ten images with manually marked trees were utilized in leave-one-out cross validation to train the classifier. One image was left out at a time. Other nine images were used for training and to classify trees in the image that was left out. The best classifier identified 93 % of spruces and 88 % of birches. The classifier needs further validation. It made mistakes around boundaries between specimens of different species. Sky and objects visible through the tree branches caused misclassifications, and so did some bright tree trunks of spruce. With actual laser segmentation 89 % of spruces were detected. 33 % of birches combined to spruce segments. 96 % of other birches were detected. 88 % of detected spruces and 81 % of birches were correctly classified. The many birches combined to spruces can still be recognized with image block classifications. |
ED: | 2012-08-22 |
INSSI tietueen numero: 45078
+ lisää koriin
INSSI