Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

11 TopDetection 11.1 Indledning 11 TopDetection 11.1 Indledning Formålet med TopDetection er, at kunne finde enten top eller bund på kimene. Dette ønskes gjort, da en robot skal kunne gribe kimene, og lægge dem op på række ved siden af hinanden, således at toppene vender henholdsvis den ene eller den anden vej. På denne måde bliver der plads til, at kimene kan vokse på et mindre areal, og dermed udnyttes den skål, hvori de ligger, bedre. Algoritmen skal optimeres til at virke på kim, som ikke bliver sorteret fra pga. deres dårlige kvalitet (dette gennemgås nærmere i 13 Quality s. 60). 11.2 Teori Der er lavet en brainstorm som findes i Appendiks 18.7 Valg af TopDetection-algoritme s. 93. Heri beskrives det, hvilke algoritmer gruppen i fællesskab, har fundet frem til i brainstormen. Ydermere gennemgås en særlig rating, der blev foretaget, for at kunne udvælge algoritmen, gruppen mente havde det største potentiale. Valget faldt på Arealforskel-algoritmen. 11.2.1 Arealforskel Arealforskel-algoritmen bygger på at kimet har indhak, der hvor der er kimbladsstruktur. Når det forstørres og derefter mindskes igen med ExpandShrink, bliver disse indhak udfyldt. Det originale kim-objekt sammenlignes derefter med dette modificerede kim-objekt. Dette giver en arealforskel i toppen (figur 11.1). Ved at subtrahere de to objekter fra hinanden, opstår der små arealer, der hvor der er forskel mellem dem (figur 11.2). Man kan være uheldig, at der opstår arealer andre steder end i toppen, det kan derfor være nødvendigt at udglatte eventuelle urenheder langs kanten af objektet. Når delarealerne er fundet, beregnes deres massemidtpunkt, også kaldet top-massemidtpunkt. For at undgå for megen vægtning af arealer, som ikke ligger i toppen, kan man i stedet vælge det enkelte delareal, der er størst. Dette skulle gerne ligge i toppen. Ud fra den linie, der opstår mellem top-massemidt- Massemidtpunkt fra ellipseapproksimation Figur 11.1 Arealforskel Massemidtpunkt fra ellipseapproksimation Massemidtpunkt fundet ved subtrahering Figur 11.2 Viser de delarealer der opstår Massemidtpunkt fundet ved subtrahering Figur 11.3 Viser to forskellige scenarier hvor toppen detekteres i hver deres ende θ θ Side 49 af 131
11 TopDetection 11.2 Teori punktet, og massemidtpunktet fundet i ellipseapproksimationen, beregnes vinklen til det vandrette plan (figur 11.3). Det er afgørende på hvilken side af ellipsens lilleakse, top- massemidtpunktet ligger. Hvis vinklen til kimets top ( θ topmassemidtpunkt ), detekteres til at ligge i samme ende som vinklen til storaksen ( θ major ), er følgende udsagn gældende (figur 11.4): θ ellipselilleakse > θ top massemidtpunkt > θellipselilleakse − π (11.1) Hvis udsagnet er opfyldt, ligger top-massemidtpunktet i det skraverede område i figur 11.4, og det tilføjes i seed-objektet, at toppen har samme vinkel som storaksen. Ligger toppen ikke i det skraverede område, lægges der 180 º til storaksens vinkel, inden dette tilføjes i seed-objektet. På denne måde er det muligt at fastlægge, i hvilken ende af kimet toppen er fundet. 11.2.1.1 Beregning af vinkel For at kunne beregne θ top massemidtpunkt , som denne danner med det vandrette plan, tegnes en retvinklet trekant (figur 11.5). Hertil anvendes, at det gælder, at cosinus til en af de to ikke rette vinkler er det samme, som forholdet mellem hypotenuse og hosliggende katete. Hypotenusens længde kan beregnes vha. Pythagoras, og katetens længde beregnes ved at trække koordinaterne fra hinanden. b cos( θ ) = c b θ= arccos ⎛ ⎞ ⎜ ⎟ ⎝c⎠ (11.2) 11.2.1.2 Subtrahering af billeder ( ) ( ) 2 2 M2 M1 M2 M1 c = x − x + y −y ( x , y ) M1 M1 Figur 11.5 Beregning af vinkel top − massemidtpunkt storakse θtopmassemidtpunkt major θ Figur 11.4 Figuren viser tilfældet hvor Ligning (11.1) er sand. Top-massemidtpunktet ligger i det skraverede område Subtraheringen, som tidligere beskrevet i dette afsnit, bygger på, at billederne er lige store og er sorthvide. Resultatet af metoden er et nyt billede, med forskellene tegnet ind. Først oprettes der et nyt billede, med de samme dimensioner, som de to der ønskes sammenlignet. Derefter sammenlignes hver enkel pixel i de to billeder, og resultatet af denne sammenligning skrives i det nye billede. Hvis der ikke er nogen forskel, gøres den tilsvarende pixel, i det nye billede, sort. Hvis der er en forskel, markeres denne med hvid. Resultatet af en sådan operation på figur 11.6 og figur 11.7, kan ses på figur 11.8. θ b = x − x M2 M1 ( x , y ) M2 M2 A C B a = y − y M2 M1 Side 50 af 131
Page 1 and 2: Detektering og klassificering af ki
Page 3 and 4: 1 Indledning 1.1 Indledning Læseve
Page 5 and 6: 1 Indledning 1.1 Indledning 10.3.3
Page 7 and 8: 1 Indledning 1.3 Kravspecifikation
Page 9 and 10: 2 Opbygning og planlægning 2.1 Opb
Page 11 and 12: 2 Opbygning og planlægning 2.2 Pla
Page 13 and 14: 3 Beskrivelse af kim 3.4 Klassifice
Page 15 and 16: 4 Kamera 4.1 Indledning 4 Kamera 4.
Page 17 and 18: 4 Kamera 4.4 Sammenfatning stadig v
Page 19 and 20: 5 Color 5.1 Indledning 5 Color 5.1
Page 21 and 22: 5 Color 5.4 Sammenfatning Herefter
Page 23 and 24: 6 GrayScale 6.5 Sammenfatning 6.4.2
Page 25 and 26: 7 Binary 7.2 Teori Som det ses af h
Page 27 and 28: 7 Binary 7.3 Test 7.3 Test Figur 7.
Page 29 and 30: 8 BlobDetection 8.1 Indledning 8 Bl
Page 31 and 32: 8 BlobDetection 8.3 Test Figur 8.8
Page 33 and 34: 8 BlobDetection 8.3 Test svarer næ
Page 35 and 36: 9 EllipseApproximation 9.1 Indledni
Page 37 and 38: 9 EllipseApproximation 9.2 Teori De
Page 39 and 40: 9 EllipseApproximation 9.3 Test 9.3
Page 41 and 42: 9 EllipseApproximation 9.3 Test 9.3
Page 43 and 44: 9 EllipseApproximation 9.4 Sammenfa
Page 45 and 46: 10 ExpandShrink 10.1 Indledning 10
Page 47 and 48: 10 ExpandShrink 10.2 Teori 10.2.3 E
Page 49: 10 ExpandShrink 10.4 Sammenfatning
Page 53 and 54: 11 TopDetection 11.3 Test 12 Alle a
Page 55 and 56: 12 Symmetry 12.1 Indledning 12 Symm
Page 57 and 58: 12 Symmetry 12.2 Teori 12.2.1 Rotat
Page 59 and 60: 12 Symmetry 12.3 Test Blobid Ellips
Page 61 and 62: 13 Quality 13.1 Indledning 13 Quali
Page 63 and 64: 13 Quality 13.2 Teori På figur 13.
Page 65 and 66: 13 Quality 13.2 Teori Figur 13.6 3-
Page 67 and 68: 13 Quality 13.3 Test 13.3.2 Anden d
Page 69 and 70: 13 Quality 13.4 Sammenfatning 13.4
Page 71 and 72: 14 Implementering 14.3 Programstruk
Page 73 and 74: 14 Implementering 14.4 User interfa
Page 75 and 76: 15 Sammenfatning 15.1 Samlet test v
Page 77 and 78: 15 Sammenfatning 15.1 Samlet test P
Page 79 and 80: 15 Sammenfatning 15.3 Konklusion kv
Page 81 and 82: 15 Sammenfatning 15.4 Videreudvikli
Page 83 and 84: 16 Litteraturliste 15.4 Videreudvik
Page 85 and 86: 18 Appendiks 18.1 Klasseoversigt 18
Page 87 and 88: 18 Appendiks 18.1 Klasseoversigt -u
Page 89 and 90: 18 Appendiks 18.4 Tidsplan 18.4 Tid
Page 91 and 92: 18 Appendiks 18.5 Orientering i pla
Page 93 and 94: 18 Appendiks 18.6 Bestemmelse af el
Page 95 and 96: 18 Appendiks 18.7 Valg af TopDetect
Page 101 and 102:
18 Appendiks 18.8 Kodestandard Ekse
Page 103 and 104:
18 Appendiks 18.9 Implementering 18
Page 105 and 106:
18 Appendiks 18.9 Implementering }
Page 107 and 108:
Page 109 and 110:
18 Appendiks 18.9 Implementering }
Page 111 and 112:
Page 113 and 114:
18 Appendiks 18.9 Implementering
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
18 Appendiks 18.9 Implementering r
Page 121 and 122:
18 Appendiks 18.9 Implementering fl
Page 123 and 124:
Page 125 and 126:
18 Appendiks 18.10 Test af Binary 1
Page 127 and 128:
18 Appendiks 18.10 Test af Binary B
Page 129 and 130:
18 Appendiks 18.11 Test af TopDetec
Page 131 and 132:
18 Appendiks 18.11 Test af TopDetec
show all

Detektering og klassificering af kimplanter ved brug af computer vision

Create successful ePaper yourself

Delete template?

Save as template?