Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.7 Valg af TopDetection-algoritme Denne metode bygger på, at man fra hver eneste pixel i kanten af objektet tegner en streg til hver enkel af alle andre pixels i kanten. På denne måde opstår der et nyt objekt, som har fået udfyldt kimbladsstrukturen i toppen (figur 18.15). Dette nye objekt og det oprindelige kan så sammenlignes. I den ende hvor der er mindst lighed findes toppen. Det kan dog give problemer, hvis kimet er krumt, hvilket kan ses på figur 18.16. På denne måde kommer stregerne som tegnes mellem punkterne til at ligge udenfor objektet. Fordele • Metoden er uafhængig af centerkoordinater og aksernes orientering Ulemper • Metoden er følsom overfor krumhed i kimet 18.7.1.12 Ellipse Denne metode gør brug af, at der allerede er en approksimeret en ellipse. Denne kan anvendes til sammenligning med objektet. I den ende hvor der er mindst lighed mellem de to figurer, findes toppen (figur 18.17). Fordele • Der findes allerede teknikker til at approksimere en ellipse Ulemper • Metoden kræver at kimet er symmetrisk omkring længdeaksen i ellipsen 18.7.2 Rating af idéer For at fastslå hvilken af idéerne fra brainstormingen der skal anvendes, benyttes en metode (AIPA [1:47-48]) hvor man sammenligner alle idéerne parvis. Metoden bygger på ét intuitivt valg af hvilken af de to idéer, der vinder sammenligningen. I tabel 18.1 er sammenligningen foretaget. Tabel 18.1 Ratingskema hvor ideerne er sammenlignet parvis Figur 18.15 Linie til alle punkter Figur 18.16 Viser problemet med en buet figur Figur 18.17 Ellipse Side 97 af 131
18 Appendiks 18.7 Valg af TopDetection-algoritme 18.7.2.1 Valg af idé Herefter tælles der sammen hvor mange gange en idé har vundet en sammenligning. Den eller de som har vundet flest, går så videre til en nærmere undersøgelse. Det er valgt, at nr. 1, 2 og 3 er idéer, som gruppen ønsker at arbejde videre med. 1. Diameter 2. Thinning 3. a) Arealforskel b) Afstand 2 c) Linie til alle punkter Disse idéer ønskes nærmere undersøgt og det er heriblandt, at den metode som der ønskes at arbejde videre med skal findes. 18.7.2.2 Førsteplads ”Diameter”-metoden vandt ratingen, og det var derfor umiddelbart denne metode, der skulle bruges til at finde top og bund. Som nævnt i Appendiks 18.7.1.10 Diameter s. 96, er dens svaghed at kriteriet, om at bruge afstanden mellem diameteren og storaksen i ellipsen, til at bestemme top og bund, ikke vil være holdbart i alle tilfælde. Ved nærmere undersøgelser viser det sig, det ikke nødvendigvis er i toppen, der er den længste afstand mellem de to linier. Hvis kimet er en asymmetrisk, kan det lade sig gøre at den største afstand opstår i bunden. Gruppen har vurderet at dette er for uholdbart, og har derfor fravalgt metoden. 18.7.2.3 Andenplads ”Thinning” blev nr. 2 i ratingen efter Diameter-metoden. Metoden er, som beskrevet i Appendiks 18.7.1.9 Thinning s. 96, følsom overfor urenheder i kanten samt udposninger i figuren. Ved nærmere undersøgelser viser det sig at det ikke sikkert, at y’et vil være lige. Det kan være krumt, afhængigt af kanten på objektet. Der blev derfor ikke fundet noget kriterium, der kan opstilles til at bestemme toppen. Derfor valgte gruppen også at fravælge denne idé. 18.7.2.4 Tredjeplads ”Arealforskel” blev rated som nr. 3, sammen med ”Afstand 2” og ”Linie til alle punkter”. Her blev ”Arealforskel” valgt, da det var den algoritme, som syntes at have flest fordele. Den blev vurderet som værende robust, og kræver kun at kimet har kimbladsstruktur. Dette gør det muligt, at udviske de skarpe kanter, og på denne måde få en nævneværdig forskel mellem det originale kim-objekt, og det hvor algoritmen er blevet anvendt. Side 98 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 and 96: 18 Appendiks 18.7 Valg af TopDetect
Page 97: 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?