Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.7 Valg af TopDetection-algoritme Fordele • Den er simpel fordi den ikke afhængig af figurens centerkoordinater eller akse orienteringer Ulemper • Det er svært at differentiere, da kanterne på figuren aldrig er ”rene”, hvilket kan medføre lokale fortegnsændringer 18.7.1.6 Spejling Objektet spejles omkring lilleaksen i ellipsen, og der foretages en sammenligning af de to halvdele. Der hvor der er mest forskel, findes den reelle top. Denne metode er dog ret svær at realisere, da den lille akse ikke afstandsmæssigt ligger lige langt fra top og bund, men i stedet afhænger af figurens massemidtpunkt (figur 18.9). Lilleaksen vil derfor flytte sig afhængigt af kimets form. Dette gør det svært at opstille et kriterium, som kan bruges som sammenligningsgrundlag, for at bestemme hvilken ende der er top og bund. Ulempe • Det er svært at afgøre gyldigheden af kriteriet i metoden 18.7.1.7 Arealforskel Først udvides objektet med et antal pixels, hvorefter det skrumpes tilsvarende tilbage igen. Dette udjævner alle indhak, hvilket gør at ”bølgedalen” i toppen vil blive gjort mere flad (figur 18.10). Nu foretages der en sammenligning af det oprindelige og det skrumpede objekt. I toppen vil der nu være delarealer, hvor de to objekter afviger fra hinanden, mens bunden stadig er intakt. Det er derfor nu muligt at identificere toppen som værende der, hvor den største arealforskel er. Der kan være et problem hvis indhakkene i ”bølgedalen” ikke er skarpe nok. Dette medfører, at der ikke vil være nogen forskel imellem de to objekter, og dermed bliver toppen ikke mulig at detektere. Fordele • Denne metode er uafhængig af centerkoordinater og aksernes orientering Ulemper • Det er ikke sikkert, at det bliver nogen nævneværdig forskel at detektere, og det kan derfor blive svært at finde toppen 18.7.1.8 Color Denne metode bygger på, at der ud fra farve, kan kendes forskel på de to ender. Ved at tage et gennemsnit af farverne i hver ende, og sammenligne resultaterne kan toppen findes (figur 18.11). Fordele Figur 18.9 Spejling omkring lilleaksen Figur 18.10 Arealforskel-algoritmen Figur 18.11 De 2 streger indikerer i hvilke områder gennemsnittet skal beregnes Side 95 af 131
18 Appendiks 18.7 Valg af TopDetection-algoritme • Det er enkelt at foretage en farve sammenligning, og igen er metoden uafhængig af centerkoordinater og aksernes orientering Ulemper • Det er ikke sikkert, at der er nogen farveforskel at detektere 18.7.1.9 Thinning Thinning vil sige, at der fjernes lag af fra ydersiden. Når man er nået ind til den sidste pixel inden figuren bliver delt, fjernes der ikke yderligere pixels. Dette resulterer i en y-form, som den vist på figur 18.12. I den ende, hvor y’et opstår, er toppen. Problemet her er, at der kan opstå grene, som dem i y’et, hvis figuren har udposninger, eller er uren i kanten. Det er derfor først nødvendigt, at rense kanten inden thinning-algoritmen kan tages i brug. Dette afhjælper dog stadig ikke problemet med udposninger. Fordele • Algoritmen giver et tydeligt resultat Ulemper • Algoritmen er følsom overfor ”urenheder” langs kanten, dvs. at der kan opstå grene udover de to som er i y’et • Udposninger på figuren kan have stor indflydelse 18.7.1.10 Diameter Denne metode bygger på, at man tager et tilfældigt punkt i objektet. Fra dette punkt beregner man nu afstanden til det punkt, i objektet, der ligger længst væk. Fra dette nye punkt beregner man så igen afstanden til det punkt der ligger længst væk. På denne måde får man hurtigt beregnet den største diameter figuren kan have. Ved at beregne afstandene fra diameteren til centeraksen i de to ender, kan toppen findes. Toppen er der, hvor der er længst afstand ind til storaksen (figur 18.13). Hvis kimet har en anden form, end den der er vist på figuren, kan diameteren komme til at ligge et andet sted. Det er derfor ikke et holdbart kriterium, at bruge afstanden mellem diameteren og længdeaksen, som det ses på figur 18.14. Fordele • Algoritmen for afstandsberegning er nem at udføre Ulemper • Algoritmen er baseret på længdeaksen i ellipsen og hvis denne ligger lidt skævt, er det ikke sikkert at kriteriet, om at det er afstanden mellem længde aksen og diameteren, er brugbart 18.7.1.11 Linie til alle punkter Figur 18.12 Thinning, som danner et ”y” i toppen Figur 18.13 Diameter Figur 18.14 Problemet med parallelle akser Side 96 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 and 94: 18 Appendiks 18.6 Bestemmelse af el
Page 95: 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

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

Delete template?

Save as template?