haku: @keyword machine vision / yhteensä: 44
viite: 1 / 44
« edellinen | seuraava »
| Tekijä: | Venäläinen, Janne |
| Työn nimi: | Machine vision based situation classification in micromanipulation |
| Tilanteiden luokittelu mikromanipulaatiossa konenäön avulla | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2016 |
| Sivut: | (7) + 67 Kieli: eng |
| Koulu/Laitos/Osasto: | Sähkötekniikan korkeakoulu |
| Oppiaine: | Älykkäät tuotteet (ETA3006) |
| Valvoja: | Zhou, Quan |
| Ohjaaja: | Sariola, Veikko |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201603291539 |
| Sijainti: | P1 Ark Aalto 3569 | Arkisto |
| Avainsanat: | machine vision machine learning micromanipulation situation classification konenäkö koneoppiminen mikromanipulaatio tilanteiden luokittelu |
| Tiivistelmä (fin): | Mikromanipulaatio on hyvin pienten objektien manipulointia. Yleensä objektit ovat kaikista suunnista mitattuina alle 1 mm pituisia. Näin pieniin kappaleisiin kohdistuu eri hallitsevat voimat kuin makro-kokoisiin kappaleisiin. Tätä ilmiötä kutsutaan skaalaus-efektiksi, ja se aiheuttaa ongelmia mikromanipulaatiossa. Liikuteltava kappale voi esimerkiksi tarrautua manipulaattorin kouran kärkeen. Jotta mikromanipulaattori voisi olla täysin automaattinen, pitää sen tunnistaa vastaavanlaisia tilanteita. Työssä tutkitaan konenäön soveltuvuutta tilanteiden luokittelussa. Työssä kehitetään kuvankäsittelyalgoritmeja kappaleiden tunnistamiseen, ja niiden tarkkuus mitataan. Kappaleiden liikeratatietoa käytetään viiden yleisimmän valvotun koneoppimis-luokittelijan opettamiseen. Luokittelualgoritmien soveltuvuus kyseessä olevaan dataan arvioidaan perusteellisesti, ja paras algoritmi valitaan. Luokittelijat opetetaan datalla, joka koostuu 44 videosta. Videoissa on yhteensä 5601 kuvaruutua. Parhaat luokittelijat luokittelevat tilanteita jopa 94 % tarkkuudella. Koneoppijat saavuttavat huomattavasti suuremman luokittelutarkkuuden kuin vertailukohteena toimivat käsin tehdyt luokittelulogiikat (jopa vain 81 % tarkkuus). Lisäksi työssä havaitaan, että koneoppimis-luokittelijoiden tarkkuus parantuisi, jos niiden opetukseen käytettäisiin lisää dataa. Voidaankin siis sanoa, että konenäkö ja koneoppiminen ovat sopivia metodeja mikromanipulaation (ongelma)tilanteiden luokitteluun. |
| Tiivistelmä (eng): | Micromanipulation is the manipulation of small objects, usually with all physical dimensions less than 1 mm. Because of the small size and weight, different forces dominate in the microworld than in the macroworld. This phenomenon, called scaling effect, creates problems during micromanipulation. For example, the objects might adhere to the end-effector of the manipulator. To enable a micromanipulator to be autonomous, it is required to recognize these types of problematic situations. In this work, machine vision based classification is assessed for the situation identification task. Image processing methods are developed to detect the objects of interest and their accuracies are evaluated. Then, five of the most common supervised machine learning classification algorithms are thoroughly assessed for the classification task. The classifiers are trained with data that consists of 44 videos with a total of 5601 frames of real manipulation scene. The best machine learning classifiers classified the situations with almost 94 % precision. The accuracy is much higher than those that are obtained with hand-written classification logics (as low as 81 % accuracy). The hand-written classifiers are developed during this work for comparison. In addition, the results of the work suggests that the errors for the machine learning classifiers will decrease further if new instances of data is introduced to the training. Therefore, the machine vision and learning based situation classification is an adequate method to identify (problematic) situations during micromanipulation. |
| ED: | 2016-04-17 |
INSSI tietueen numero: 53351
+ lisää koriin
« edellinen | seuraava »
INSSI