Aplikacija za avtomatizirano prepoznavanje listov dreves in grmov kritosemenk za operacijski sistem Android

Puhmeister, Sandro

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Aplikacija za avtomatizirano prepoznavanje listov dreves in grmov kritosemenk za operacijski sistem Android
Avtorji:	ID Puhmeister, Sandro (Avtor) ID Pesek, Igor (Mentor) Več o mentorju... ID Potočnik, Božidar (Komentor)
Datoteke:	UN_Puhmeister_Sandro_2016.pdf (2,77 MB) MD5: C14E0FE3676A2252A061C075046BF6A6
Jezik:	Slovenski jezik
Vrsta gradiva:	Diplomsko delo
Tipologija:	2.11 - Diplomsko delo
Organizacija:	FNM - Fakulteta za naravoslovje in matematiko
Opis:	V tem diplomskem delu smo implementirali aplikacijo za avtomatizirano prepoznavanje listov dreves in grmov kritosemenk za operacijski sistem Android, pri čemer smo postopek prepoznavanja vrste razdelili na štiri ključne faze: zajem slik, obdelavo slik, luščenje značilnic in določitev vrste. Pri zajetju slik smo uporabili privzeto aplikacijo operacijskega sistema Android, kjer uporabnik zajame dve fotografiji (fotografira spodnjo in vrhnjo površino lista) za obdelavo slik. Pri obdelavi slik smo razvili lasten algoritem za segmentacijo regije interesa v RGB barvnem prostoru. Vsako segmentirano regijo interesa smo nato opisali z Gaborjevimi značilnicami tekstur. Gaborjev deskriptor za luščenje Gaborjevih značilnic smo uporabili iz odprtokodne Java knjižnice LIRE 1.0b2 (Lux Mathias, 2008). Vektorje značilnic smo nato združili in jih pretvorili v instance za prepoznavanje vrste na stroju podpornih vektorjev (angl. Support vector machine ali SVM). Za učenje SVM klasifikatorja smo uporabili brezplačen paket Weka 3.8 (Alexis Joly, 2015). Učili smo večrazredni SVM klasifikator s sekvenčnim minimalnim optimizacijskim algoritmom (angl. Sequential minimal optimization algorithm ali SMO) s polinomsko jedrno funkcijo (poglavje 6.3). Klasifikator smo kalibrirali s funkcijo K zvezd (K*). Najprej smo klasifikator testirali s križno validacijo na učnih vzorcih ter dobili natančnost nad 90%, nato pa smo klasifikator testirali še dvakrat na 100 neznanih vzorcih, pri čemer bi morali biti vsi neznani vzorci klasifikatorju znani. Natančnost klasifikatorja je bila v drugem in tretjem testiranju še zmeraj visoka saj je znašala nad 80%. Natančnosti klasifikatorja na različnih mobilnih napravah z operacijskim sistemom Android nismo uspeli testirati zaradi prevelikega števila Android naprav na trgu, kjer ima vsaka naprava lastne nastavitve. Prvi testi na napravi Samsung Galaxy Tab S 8.4 so pokazali, da je avtomatizirano določevanje vrste lahko uspešno, če so fotografije visoke kakovosti in so zajete v ugodnih svetlobnih pogojih (na dnevni svetlobi) ter manj uspešno, če ti pogoji niso izpolnjeni.
Ključne besede:	Gaborjeve značilnice, računalniški vid, luščenje značilnic, prepoznavanje vrst dreves in grmov, avtomatizirano prepoznavanje vrst.
Kraj izida:	Maribor
Založnik:	[S. Puhmeister]
Leto izida:	2016
PID:	20.500.12556/DKUM-62273
UDK:	004.9:582.091(043.2)
COBISS.SI-ID:	22581512
NUK URN:	URN:SI:UM:DK:1IAT2UP3
Datum objave v DKUM:	27.09.2016
Število ogledov:	2853
Število prenosov:	182
Metapodatki:
Področja:	FNM
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Application for automated identification of leaves of angiosperm trees and shrubs on Android operating system
Opis:	In this thesis, an application for automated recognition of leaves of angiosperm trees and shrubs for Android operating system was implemented, whereby species identification process was divided into four key stages: image capturing, image processing, feature extraction and identification of species. A preinstalled Android application was used for image capturing, which enables the user to capture two images (one of the top and one of the bottom of a leaf) required for feature extraction. For image processing, a specialized algorithm for image segmentation in RGB color space was developed. Each segmented region of interest was later described with Gabor texture features. Gabor descriptor for obtaining Gabor features was used from LIRE 1.0b2 (Lux Mathias, 2008), an open source Java library. The feature vectors were then concatenated and converted into instances for a support vector machine (SVM) model. The SVM model was trained for multiclass classification using Weka 3.8 package (Alexis Joly, 2015) with a sequential minimal optimization algorithm (SMO) function and a polynomial kernel function. SVM classifier was calibrated with the K-star (K*) function. First, the classifier was tested using 10-fold cross validation on training samples, where classifier accuracy was slightly above 90%, afterwards, the classifier was tested two more times on 100 unknown samples, whereby all of the unknown samples should be recognized by the classifier. The accuracy of the classifier was still high, above 80%. The classifier could not be tested on Android mobile devices due to a large number of Android devices on the market and each of them having its own unique hardware settings. First tests on a Samsung Galaxy Tab S 8.4 device showed that automated recognition of species should have high success rates if the images are of good quality and taken in good lightning conditions (in daylight), and low success rates if those conditions are not fulfilled.
Ključne besede:	Gabor features, computer vision, feature extraction, recognition of trees and shrubs, automated recognition of species.

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj