Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Tylek, P" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Use of Harris detector for determination of orientation of acorns in the process of automated scarification
    Zastosowanie detektora Harrisa do określania orientacji żołędzi w procesie zautomatyzowanej skaryfikacji
    Autorzy:
    Pawlik, P.
    Jabłoński, M.
    Bubliński, Z.
    Tadeusiewicz, R.
    Walczyk, J.
    Tylek, P.
    Juliszewski, T.
    Adamczyk, F.
    Powiązania:
    https://bibliotekanauki.pl/articles/337417.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    image analysis
    image recognition
    characteristic points
    corner detector
    acorn
    scarification
    analiza obrazów
    rozpoznawanie obrazów
    punkty charakterystyczne
    detekcja narożników
    skaryfikacja
    żołędzie
    Opis:
    The article proposes an algorithm for detection of orientation of acorns during scarification process. This task is necessary for proper cut off of a part of acorn. Described algorithm uses Harris corner detector for location of acorn's remain of style. The performed tests have shown that proposed method is characterized by a sufficient sensitivity value as a unit of efficiency. Its specificity and precision are also high.
    W artykule przedstawiono propozycję algorytmu detekcji orientacji żołędzi w procesie automatycznej skaryfikacji żołędzi. Określenie orientacji jest konieczne w celu właściwego wykonania odcięcia części nasiona. Opisany algorytm wykorzystuje detektor Harrisa do wykrywania korzenia zarodkowego. Przeprowadzone testy pokazały, że metoda cechuje się wystarczającą wartością czułości jako miary wydajności. Specyficzność oraz precyzja również są wysokie.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2017, 62, 1; 163-165
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of selected classification methods in automated oak seed sorting
    Porównanie wybranych metod klasyfikacji w automatycznym sortowaniu nasion dębu
    Autorzy:
    Grabska-Chrząstowska, J.
    Kwiecień, J.
    Drożdż, M.
    Bubliński, Z.
    Tadeusiewicz, R.
    Szczepaniak, J.
    Walczyk, J.
    Tylek, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/336489.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    acorn classification
    automatic sorting
    acorn
    image analysis
    image processing
    kNN
    ANN
    SVM
    klasyfikacja żołędzi
    automatyczne sortowanie
    żołędzie
    przetwarzanie obrazu
    analiza obrazu
    Opis:
    In this paper the results of automated, vision based classification of oak seeds viability i.e. their ability to germinate are presented. In the first stage, using a photo of the seed cross-section, a set of feature vectors were determined. Then three classification methods were examined: k-nearest neighbours (k-NNs), artificial neural networks (ANNs) and support vector machines (SVMs). Finally, a 73.1% precision was obtained for kNN and a 64 bin histogram, 78.5% for ANN and a 4 bin histogram and 78.8% for SVM with a 64 bin histogram.
    W artykule zaprezentowano wyniki badań automatycznej, wizyjnej klasyfikacji nasion dębu pod względem ich żywotności, tj. zdolności do kiełkowania. W pierwszym etapie prac, na podstawie zdjęcia przekroju nasiona, wyznaczono zbiór cech, który w sposób niezależny od kształtu i rozmiaru poszczególnych obiektów pozwala na opisanie ich budowy anatomicznej. Następnie zbadano, dla wyselekcjonowanych wektorów cech, trzy metody klasyfikacji: k-najbliższych sąsiadów (k-NN), artificial neural networks (ANN) oraz maszynę wektorów nośnych (SVM). Uzyskano 73,1% precyzji rozpoznawania dla histogramu o długości 64 metodą kNN, 78,5% dla histogramu o długości 4 dla ANN i 78,8% dla histogramu o długości 64 metodą SVM.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2017, 62, 1; 31-33
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies