Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

13 Quality 13.3 Test klasses kim (3.4.2 Anden klasse – lette misdannelser s. 12). 13.3.2.3 Testresulater rektangulær boks Med udvælgelsesmodellen, der baserer sig på boksen og med smalle grænser, fås det resultat, som ses på figur 13.10. Denne gang udvælges der et godkendt og et ikke godkendt kim. Det bemærkes også, at der ikke blev udvalgt de samme godkendte kim, som da ellipsoiden blev anvendt. Med brede grænser opnås resultat som er vist på figur 13.11. Det ses her, at resultatet næsten er det samme, som da ellipsoiden med brede grænser blev anvendt. Denne gang udvælges der dog et mindre ikke godkendt kim. Noget, som umiddelbart kan undre, er at det ikke-godkendte kim, som blev udvalgt med smalle grænser, ikke udvælges når de brede grænser anvendes. Men dette skyldes, at når de smalle grænser anvendes, er der tilpasset en boks, som kun omkranser godkendte kim, og så er det gjort så stort, at det lige netop ikke udvælger nogle ikke-godkendte kim. Med brede grænser, er der tilpasset en ny boks, som omkranser alle godkendte, men som er tilpasset, så der udvælges så få ikkegodkendte som muligt. Det er med andre ord ikke de smalle grænser, som er blevet udvidet, men et helt andet rektangel. Samlet ses resultatet af testen i tabel 13.2: Figur 13.10 Resultat med rektangulær boks som udvælgelsesmodel og smalle grænser Figur 13.11 Resultat med rektangulær boks som udvælgelsesmodel og brede grænser Type Grænser Godkendte Ikke godkendte Ellipsoide Boks Tabel 13.2 Samlet resultat af testen Smalle 1 0 Brede 4 5 Smalle 1 1 Brede 4 4 Side 67 af 131
13 Quality 13.4 Sammenfatning 13.4 Sammenfatning Overordnet kan det konkluderes, at det ikke har været muligt, at skabe en metode der kan udvælge alle godkendte og ingen ikke-godkendte kim i et givent billede. Ved gennemgangen i teoriafsnittet blev ellipsoiden foreslået, som et alternativ til boks-modellen som udvælgelsesmodel. Det viste sig at ved anvendelse af begge modeller på 313 prøvekim, at det ikke entydigt kunne afgøres hvilken af de to modeller der gav de bedste resultater. I den første test i testafsnittet blev det undersøgt, hvorvidt den boksen og ellipsoiden blev implementeret korrekt, så de udførte deres opgave korrekt. Testen viste, at dette var tilfældet da C++ implementeringen gav det samme resultat, som fundet ved den manuelle inspektion (visualiseret igennem MatLab-scriptet). Dermed kan det konkluderes, at koden virker korrekt. I den anden test i testafsnittet blev det testet hvorvidt boksen, var bedre end ellipsoidemodellen. Men ved test på et enkelt billede, viste det sig at være svært at afgøre, hvilken af modellerne der klarede sig bedst. Det står klart, at der skal anvendes mere end 1 billede, hvis en tendens skal kunne identificeres. Dette var dog ikke muligt, da der ikke kunne anskaffes flere prøver tidsnok fra Københavns Universitet, men det er gruppens opfattelse, at de to udvælgelsesmodeller ikke nødvendigvis er de bedste løsningsmodeller, og at situationen er mere kompliceret end først antaget. Først og fremmest vil det være nødvendigt med større og mere omfattende undersøgelser, at afdække hvilken udvælgelsesmodel der er bedst. Det vil være nødvendigt at undersøge, om der findes bedre alternativer til boks- og ellipsoidemodellen, hvilket er meget muligt. Det er gruppens holdning at undersøgelsen med de 313 kim, ikke er omfattende nok til, at man i første omgang kan afgøre om boksmodellen er bedre eller dårligere end ellipsoidemodellen. Årsagen til at gruppen ikke har foretaget sig yderligere test er, at det er en meget tidskrævende proces, og det er i hele taget gruppens holdning at kvalitetsvurderingen af kimene er et afgangsprojekt i sig selv, og kræver omfattende statistisk analysearbejde. Et andet resultat af en mere omfattende analyse vil også være at identificere flere og/eller andre parametre at arbejde med. Gruppen udarbejdede 4 parametre i samarbejde med Jens Iver Find (KU), men det er igen gruppens holdning, at yderligere analysearbejde skal afdække flere parametre, da det netop ikke er muligt, at opfylde hovedkravet om at kunne udvælge alene alle godkendte kim. Flere parametre vil sandsynligvis gøre det muligt, at kunne få bedre resultater ved udvælgelsen. Side 68 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 and 50: 10 ExpandShrink 10.4 Sammenfatning
Page 51 and 52: 11 TopDetection 11.2 Teori punktet,
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: 13 Quality 13.3 Test 13.3.2 Anden d
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 109 and 110: 18 Appendiks 18.9 Implementering }
Page 113 and 114: 18 Appendiks 18.9 Implementering
Page 119 and 120:
18 Appendiks 18.9 Implementering r
Page 121 and 122:
18 Appendiks 18.9 Implementering fl
Page 123 and 124:
18 Appendiks 18.9 Implementering 18
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?