haku: @keyword machine vision / yhteensä: 44
hakutulos-lista
viite: 9 / 44
« edellinen | seuraava »
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
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen 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

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
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
« edellinen | seuraava »
INSSI