search query: @keyword neuroverkko / total: 45
reference: 18 / 45
Author: | Kosonen, Sampsa |
Title: | Tree Species Recognition with Machine Vision Using Color and Texture Analysis |
Puulajien tunnistaminen konenäöllä värin ja tekstuurin avulla | |
Publication type: | Master's thesis |
Publication year: | 2007 |
Pages: | 78 s. + liitt. Language: eng |
Department/School: | Automaatio- ja systeemitekniikan osasto |
Main subject: | Automaatiotekniikka (AS-84) |
Supervisor: | Visala, Arto |
Instructor: | Vannas, Kosti |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark TKK 6699 | Archive |
Keywords: | texture tree species classification image analysis probabilistic neural network machine vision tekstuuri luokittelu puulaji kuva-analyysi konenäkö neuroverkko |
Abstract (fin): | Tämä diplomityö käsittelee neljän Suomen metsäteollisuudelle tärkeimmän puulajin (mänty, kuusi, koivu sekä haapa) tunnistamista konenäön avulla todellisessa metsäympäristössä. Puulajien tunnistaminen toteutettiin analysoimalla käsin segmentoitujen puunrungon kuvien tekstuuria sekä väriä. Segmentoidut runkokuvat olivat neliön muotoisia ja puunrungon levyisiä. Kuvien leveys vaihteli välillä 70 - 250 pikseliä riippuen puun koosta sekä sen etäisyydestä kameraan. Työssä käytettiin yhteensä kuutta erilaista tekstuurianalyysialgoritmia: co-occurrence matrix, local binary patterns, multiscale blop features, fractal dimension, edge frequency sekä log-polar wavelet energy signatures. Lisäksi rungon väristä laskettiin tilastollisia tunnuslukuja kunkin RGB-kanavan histogrammista (odotusarvo, keskihajonta, huipukkuus). Kuvankäsittelyalgoritmeistä lopulliseen käyttöön valittiin parhaiten soveltuva osa, joiden muodostaman piirrevektorin avulla puulajit tunnistettiin. Luokittelijana käytettiin neuroverkkoa, joka pystyi hyvään luokittelutarkkuuteen - yli 80 % - yksittäisten algoritmien näennäisestä riittämättömyydestä huolimatta. Testiaineisto kerättiin mönkijän päälle asennetulla konenäkölaitteistolla kesällä hyvissä valaistusolosuhteissa, mikä jättää toivomisen varaa tulosten yleistämisen kannalta. |
ED: | 2007-10-17 |
INSSI record number: 34745
+ add basket
INSSI