haku: @keyword Luokittelu / yhteensä: 56
viite: 38 / 56
Tekijä: | Kosonen, Sampsa |
Työn nimi: | Tree Species Recognition with Machine Vision Using Color and Texture Analysis |
Puulajien tunnistaminen konenäöllä värin ja tekstuurin avulla | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2007 |
Sivut: | 78 s. + liitt. Kieli: eng |
Koulu/Laitos/Osasto: | Automaatio- ja systeemitekniikan osasto |
Oppiaine: | Automaatiotekniikka (AS-84) |
Valvoja: | Visala, Arto |
Ohjaaja: | Vannas, Kosti |
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 TKK 6699 | Arkisto |
Avainsanat: | texture tree species classification image analysis probabilistic neural network machine vision tekstuuri luokittelu puulaji kuva-analyysi konenäkö neuroverkko |
Tiivistelmä (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 tietueen numero: 34745
+ lisää koriin
INSSI