haku: @keyword machine vision / yhteensä: 44
viite: 9 / 44
Tekijä: | Kemppainen, Teemu |
Työn nimi: | Stereo vision based planting spot detection in a continuously operating forest planter |
Stereonäköön perustuva istutuspaikan tunnistaminen jatkuvatoimisessa metsänistutuskoneessa | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2012 |
Sivut: | (10) + 79 s. + liitt. 7 Kieli: eng |
Koulu/Laitos/Osasto: | Automaatio- ja systeemitekniikan laitos |
Oppiaine: | Automaatiotekniikka (AS-84) |
Valvoja: | Visala, Arto |
Ohjaaja: | Hyyti, Heikki |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201305296456 |
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 5001 | Arkisto |
Avainsanat: | implicit shape model machine learning machine vision SURF classification forest planting Hough voting koneoppiminen konenäkö luokittelu metsänistutus Hough-äänestys |
Tiivistelmä (fin): | Metsänistutus nykyään vaatii paljon manuaalista työtä ja on kallista ja aikaavievää. Automatisoitu istutusmenetelmä toisi huomattavia säästöjä. Jotta metsänistutus automaattisesti olisi mahdollista, täytyy istutuspaikka tunnistaa autonomisesti. Tämän diplomityön päätavoite on kehittää menetelmä istutuspaikan tunnistamiseen stereokuvista, jotka on otettu jatkuvatoimisen mätästäjän tekemästä työjäljestä. Jatkuva 3D-rekonstruktio toteutetaan käyttäen SURF-piirteitä ja muokattua RANSAC-malli parametriestimointimenetelmää. Istutuspaikan tunnistus tehdään pelkästään 3D pisteistä, käyttäen hyödyksi opittua implisiittistä 3D mallia yhdessä eri koneoppimismenetelmien ja todennäköisyyden vahvistamisheuristiikan kanssa. Sekä opetus että validointi tehdään käyttäen oikeaa, sotkuista ja vaikeaa jatkuvaa dataa, johon implisiittistä 3D-mallia ei ole aiemmin sovellettu. Saadut tulokset ovat lupaavia: tunnistimen tarkkuus (precision) on 94.8 % ja löytyvyysarvo (recall) 98.0 %. Toteutuksen laskenta ei ole reaaliaikaista, mutta reaaliaikaisuus voitaisi melko helposti saavuttaa rinnakkaislaskennalla. |
Tiivistelmä (eng): | Automatic forest planting is practically non-existent. To be able to automatize forest planting, an autonomous planting spot detection is needed. The goal of this thesis is to develop a method for planting spot detection from stereo images that are taken from a path created by a continuously operating mounder. A continuous 3D reconstruction is performed using SURF features and a modified RANSAC model parameter estimation method. The planting spot detection is done purely from 3D points using a 3D Implicit Shape Model with machine learning techniques and probability boosting heuristics. Both the training and validation of the detector are done with real, cluttered and difficult continuous data, a novel case among 3D Implicit Shape Models. The results of our method are promising: the precision of the detector is 94.8 % with a recall rate of 98.0 %. The computation of our implementation is not real time, but real time performance could be fairly easily achieved using parallel computation. |
ED: | 2012-08-22 |
INSSI tietueen numero: 45080
+ lisää koriin
INSSI