haku: @keyword co-occurrence matrix / yhteensä: 2
viite: 1 / 2
« edellinen | seuraava »
Tekijä: | Rautkorpi, Rami |
Työn nimi: | Shape features in the classification and retrieval of surface defect images |
Muotopiirteiden käyttö pintavikakuvien luokittelussa ja haussa | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2005 |
Sivut: | ix + 61 Kieli: eng |
Koulu/Laitos/Osasto: | Sähkö- ja tietoliikennetekniikan osasto |
Oppiaine: | Informaatiotekniikka (T-61) |
Valvoja: | Oja, Erkki |
Ohjaaja: | Iivarinen, Jukka |
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 S80 | Arkisto |
Avainsanat: | surface inspection surface defects defect classification shape features co-occurrence matrix pintatarkastus pintaviat vikojen luokittelu muotopiirteet yhteisesiintymämatriisi |
Tiivistelmä (fin): | Tässä diplomityössä tarkastellaan pintavikakuvien luokittelua ja hakua muotopiirteiden avulla. Kuvat luodaan erityisillä tarkastusjärjestelmillä, jotka kuvaavat jatkuvassa liikkeessä olevan materiaalirainan pintaa, tasaisesti valaistuna ja muuttumattomalla kameran etäisyydellä ja asennolla. Kuvissa näkyvät materiaalin pinnan viat, joita aiheuttaa joukko erilaisia häiriöitä. Tavoitteena on luokitella vian luonne sen visuaalisten ominaisuuksien perusteella, tai indeksoida kuvat, jotta halutun tyyppisiä kuvia voidaan hakea tehokkaasti tietokannasta. Tällaiseen hahmontunnistukseen soveltuvia muotopiirteitä tarkastellaan, ja kaksi uudenlaista tilastollista muotopiirrotta kuvaillaan. Nämä piirteet, reunan yhteisesiintymämatriisi (Edge Co-Occurrence Matrix) ja ääriviivan yhteisesiintymämatriisi (Contour Co-Occurrence Matrix) esittävät kuvan toisen asteen tilastollisia tunnuslukuja, ja niiden erottelukyvyssä on nähtävissä parannusta niiden ensimmäisen asteen vastineisiin verrattuna. Työssä käytetään kahta tietokantaa, yksi sisältää metallipinnan vikakuvia ja toinen paperipinnan vikakuvia. Yhteisesiintymämatriisipiirteitä ja näiden tietokantojen kanssa aiemmin hyvin toimivia piirteitä vertaillaan kokeellisesti. Piirteiden suorituskykyä luokittelussa ja sisältöpohjaisessa kuvahaussa (Content-Based Image Retrieval, CBIR) tarkastellaan. Myös skaalaus- ja rotaatioinvarianssin vaikutusta tämäntyyppisen kuvadatan prosessoinnissa tarkastellaan. |
Tiivistelmä (eng): | This thesis examines the classification and retrieval of surface defect images using shape features. These images are created using special inspection systems that photograph the surface of a continuously moving web of material, with even illumination and a constant camera distance and orientation. The images depict defects in the material surface, caused by a range of different faults. The objective is to classify the nature of the defect based on its visual features, or index the images so that defects of a desired type can be efficiently retrieved from an image database. Shape features commonly used in such pattern recognition applications are reviewed, and two novel statistical shape features are described. These features, the Edge Co-occurrence Matrix and the Contour Co-occurrence Matrix describe second-order statistics of an image, and show improved discriminatory power over their first-order counterparts. Two case studies are described, a database containing metal surface defect images and another containing paper surface defect images. The Co-occurrence Matrix features and the features that have previously been found to work well with these databases are compared through experiments. The classification performance and Content-Based Image Retrieval (CBIR) performance of the features are examined. Also the effects of scale and rotation invariance in processing this type of image data are examined. |
ED: | 2005-03-23 |
INSSI tietueen numero: 28186
+ lisää koriin
« edellinen | seuraava »
INSSI