Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.7 Valg af TopDetection-algoritme 18.7 Valg af TopDetection-algoritme 18.7.1 Brainstorm For at finde metoder til at detektere top eller bund er der blevet brainstormet på emnet. Det skal bemærkes, at gruppen på tidspunktet, da brainstormen blev gennemført, endnu ikke havde set et rigtigt kim, og kun kendte deres udseende fra andenhåndsbeskrivelser. Brainstormen er lavet på baggrund af disse forudsætninger, som antages opfyldt: 1. Kimenes centerkoordinater kendes, samt akseorienteringer, som er et resultat af ellipse approksimationen 2. Kimene er i den ene ende runde og forholdsvis glatte. Det er herfra, at rodnettet senere udvikler sig. I toppen derimod, kan der allerede på dette stadie, anes en svag begyndelse til kimbladene, som gør at planten er lidt flosset og har nogle rundinger og hak Brainstormen resulterede i et antal metoder og teknikker, som kan anvendes til formålet: 18.7.1.1 Cirkel Metoden går ud på, at man fra den approksimerede ellipses storakse finder frem til skæringspunkterne med kanten af objektet. Fra centrum og i 2/3 af afstanden til skæringspunkterne, tegner man en cirkel. Herefter kontrolleres det, om der er sorte baggrundspixels med i cirklerne. Hvis ikke øges radius, og operationen foretages igen. Efterhånden som cirklerne udvides, vil der i toppen, begynde at komme baggrundspixels med, mens cirklen i bunden stadig kun får hvide pixels (figur 18.3). På denne måde kan det afgøres, hvad der er top og bund. Det kræver dog, at centeraksen ligger præcist, som vist på figur 18.3, altså at den går lige igennem top og bund. Det vil nok ikke realistisk, at kimet vil være symmetrisk omkring centeraksen. Derfor vil cirklerne muligvis ikke ligge indenfor kimet (figur 18.4). Ulemper • Figuren skal være symmetrisk omkring ellipsens længdeakse. 18.7.1.2 Afstand 1 Den første afstandsmetode går ud på, at man fra centrum måler afstande ud til kanten i begge ender (figur 18.5). Der holdes så øje med hvordan afstandene fordeler sig. Starter de med at være korte, for derefter at vokse indtil de falder igen, kan man gå ud fra, at det er bunden man har fundet. Sker der pludselig et fald i stedet for en stigning, må det være enden med de karakteristiske ”bølgedale” eller hak som er fundet. Metoden er en følsom overfor urenheder i kanten, som kan resultere i et fald hvor man forventer en stigning. Der kan anvendes en threshold-teknik, som sorterer disse ikke ønskværdige ændringer fra. Figur 18.3 Cirkel-metoden Figur 18.4 Illustrerer problemet med en skæv centerakse Figur 18.5 Afstand 1-metoden Side 93 af 131
18 Appendiks 18.7 Valg af TopDetection-algoritme Fordele • Metoden indebærer kun beregning af afstande, og på denne måde er algoritmen meget simpel Ulemper • Metoden er ikke så robust, da det ikke er sikkert at kanterne er ”rene”. Dette kan dog omgås ved at bruge en thresholdværdi, der afgør hvor kraftig en stigning skal være før den accepteres 18.7.1.3 Afstand 2 Den anden afstandsmetode er at plotte alle afstandene fra hver ende imod den vinkel, som afstandsvektoren danner med centeraksen (figur 18.6). Til dette plot tilpasses en parabel. Den parabel, som er stejlest, repræsenterer den ende hvor den er mest rund, altså bunden, hvilket er illustreret på figur 18.7. I stedet for at bruge centerpunktet til at beregne afstandene fra, kunne man i stedet bruge ellipsens to brændpunkter. Ved at gøre dette opnås der større variation mellem der hvor der er lang afstand, og hvor der er kort. Dette vil give et tydeligere resultat. Fordele • Den tilpassede parabel bliver vægtet med vinklen, hvilket giver større variation Ulemper • Hvis bunden, hvor der ingen flosser er, er meget flad, så bliver krumningen på den tilnærmede parabel også lille, og derfor kan det være svært at skelne mellem top og bund 18.7.1.4 dy/dx 1 Differentialkvotienten findes rundt langs kanten, og der hvor den er størst, er toppen (figur 18.8). Fordele • Metoden afhænger ikke af figurens centerkoordinater Ulemper • Det er langt fra sikkert det er i toppen at der er den største hældning • Det er svært at differentiere, da kanterne på figuren aldrig er ”rene”, hvilket kan medføre kraftig stigning/fald i differentialkvotienten 18.7.1.5 dy/dx 2 Her kigges også på differentialkvotienten, men her er det ikke størrelsen på hældningen, men fortegnet der er interessant. I den ende hvor fortegnet skifter flest gange findes toppen. Afstans Afstans Vinkel θ Vinkel θ Figur 18.6 Afstand 2-metoden Figur 18.7 Tilpasning af parabel i Afstand 2-metoden Figur 18.8 Illustration af metoderne dy/dx1 og 2 θ Side 94 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 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: 18 Appendiks 18.6 Bestemmelse af el
Page 97 and 98: 18 Appendiks 18.7 Valg af TopDetect
Page 99 and 100: 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 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?