Informacja

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

Wyszukujesz frazę "image scanning" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
3D modeling of architectural objects from video data obtained with the fixed focal length lens geometry
Modelowanie 3D obiektów architektonicznych na podstawie danych wideo pozyskanych z wykorzystaniem obiektywu stało-ogniskowego
Autorzy:
Deliś, P.
Kędzierski, M.
Fryśkowska, A.
Wilińska, M.
Powiązania:
https://bibliotekanauki.pl/articles/972663.pdf
Data publikacji:
2013
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
obraz wideo
orientacja obrazu
pakiet regulacji
modelowanie 3D
video image
image orientation
bundle adjustment
terrestrial laser scanning
3D modeling
Opis:
The article describes the process of creating 3D models of architectural objects on the basis of video images, which had been acquired by a Sony NEX-VG10E fixed focal length video camera. It was assumed, that based on video and Terrestrial Laser Scanning data it is possible to develop 3D models of architectural objects. The acquisition of video data was preceded by the calibration of video camera. The process of creating 3D models from video data involves the following steps: video frames selection for the orientation process, orientation of video frames using points with known coordinates from Terrestrial Laser Scanning (TLS), generating a TIN model using automatic matching methods. The above objects have been measured with an impulse laser scanner, Leica ScanStation 2. Created 3D models of architectural objects were compared with 3D models of the same objects for which the self-calibration bundle adjustment process was performed. In this order a PhotoModeler Software was used. In order to assess the accuracy of the developed 3D models of architectural objects, points with known coordinates from Terrestrial Laser Scanning were used. To assess the accuracy a shortest distance method was used. Analysis of the accuracy showed that 3D models generated from video images differ by about 0.06 ÷ 0.13 m compared to TLS data.
Artykuł zawiera opis procesu opracowania modeli 3D obiektów architektonicznych na podstawie obrazów wideo pozyskanych kamerą wideo Sony NEX-VG10E ze stałoogniskowym obiektywem. Przyjęto założenie, że na podstawie danych wideo i danych z naziemnego skaningu laserowego (NSL) możliwe jest opracowanie modeli 3D obiektów architektonicznych. Pozyskanie danych wideo zostało poprzedzone kalibracją kamery wideo. Model matematyczny kamery był oparty na rzucie perspektywicznym. Proces opracowania modeli 3D na podstawie danych wideo składał się z następujących etapów: wybór klatek wideo do procesu orientacji, orientacja klatek wideo na podstawie współrzędnych odczytanych z chmury punktów NSL, wygenerowanie modelu 3D w strukturze TIN z wykorzystaniem metod automatycznej korelacji obrazów. Opracowane modele 3D zostały porównane z modelami 3D tych samych obiektów, dla których została przeprowadzona samokalibracja metodą wiązek. W celu oceny dokładności opracowanych modeli 3D obiektów architektonicznych wykorzystano punkty naziemnego skaningu laserowego. Do oceny dokładności wykorzystano metodę najkrótszej odległości. Analiza dokładności wykazała, że dokładność modeli 3D generowanych na podstawie danych wideo wynosi około 0.06 ÷ 0.13m względem danych NSL.
Źródło:
Geodesy and Cartography; 2013, 62, 2; 123-138
2080-6736
2300-2581
Pojawia się w:
Geodesy and Cartography
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The application of modern techniques and measurement devices for identification of copper ore types and their properties
Wykorzystanie nowoczesnych technik i urządzeń pomiarowych do identyfikacji typów rud miedzi i ich właściwości
Autorzy:
Krawczykowska, A.
Trybalski, K.
Krawczykowski, D.
Powiązania:
https://bibliotekanauki.pl/articles/219128.pdf
Data publikacji:
2013
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
identyfikacja typów rud
analiza obrazu
mikroskopia skaningowa
sieci neuronowe
identification of ores
image analysis
scanning microscope
neuron networks
Opis:
The paper concerns the application of modern methods and research techniques for investigations of copper ore properties. It presents the procedure and tools which, when put together, can constitute a source of information on properties of different products of processing and, simultaneously, can be used in the process control and optimization. The copper ore of one of the branches of the KHGM Polska Miedz plc was investigated. The ore samples represented each of the three lithological types occurring in the Polish deposits, i.e. carbonate, shale and sandstone ores. The paper presents the results of microscopic analyses, image analysis of scanning photographs and application procedures of the obtained information for the identification of ore types (application of neuron networks to the recognition of lithological compositions). The present publication will present sample results of modelling of classification identifying two types of ores, i.e. carbonate-shale and sandstone. Summing up the predictions of ore type fractions in respective mixtures for the considered problem of classification it can be stated that the prediction results are good and confirm the lithological predominance of certain ore types in the investigated mixtures. The experimental part comprised the determination of mineralogical and lithological composition of ores (optical microscope) and also elemental composition in the microareas of analysed samples (scanning microscope). Next, the image analysis was performed and subsequently the models classifying the ore types were made.
W rudzie miedzi przerabianej w zakładach wzbogacania O/ZWR KGHM Polska Miedź S.A. można wyróżnić trzy typy litologiczne: rudę węglanową, łupkową i piaskowcową. Typy te różnią się właściwościami między innymi takimi jak: rodzaj i zawartość minerałów miedzi, rodzaj minerałów nieużytecznych, zawartość miedzi, twardość i podatność na rozdrabnianie, ale także wielkością i kształtem ziaren minerałów miedzionośnych oraz rodzajem ich skupień i wpryśnięć. Niezwykle istotne jest właściwe rozpoznanie rudy pod względem petrograficzno-mineralogicznym. Znajomość właściwości przerabianej rudy pozwala na pełniejsze jej wykorzystanie poprzez właściwe prowadzenie i sterowanie procesami, dobór ich parametrów takich m.in. jak: czas mielenia, parametry klasyfikacji, rodzaj odczynników flotacyjnych, czas flotacji. W artykule przedstawiono wyniki przeprowadzonych analiz mikroskopowych, analizy obrazów zdjęć skaningowych oraz procedury wykorzystania otrzymanych informacji do identyfikacji typów rud (zastosowanie sieci neuronowych do rozpoznawania składów litologicznych). W badaniach wykorzystano rudę miedzi, pochodzącą z jednego z zakładów górniczych KGHM Polska Miedź S.A. Pobrane próbki rudy reprezentowały każdy z trzech typów litologicznych występujących w krajowych złożach: węglanową, łupkową oraz piaskowcową. Przeprowadzono ilościową analizę mineralogiczno-petrograficzną przy pomocy mikroskopu optycznego w świetle odbitym, a wyniki przedstawiono w tabelach 1 i 2. Wyniki te określają ilościowo stopień uwolnienia i zrosty dla jednego rodzaju minerału. Pokazano także przykładowe zdjęcia mikroskopowe zgładów poszczególnych typów litologicznych rud oraz próbek proszkowych tych typów (rys. 1 i 2). W kolejnym etapie badań wykorzystano skaningowy mikroskop elektronowy. Zdjęcia morfologii próbek uzyskane z mikroskopu elektronowego (obrazy SEM) były przedmiotem komputerowej analizy obrazu, umożliwiającej mikrostrukturalną klasyfikację ilościową typów rud. Analizowano wszystkie próbki poszczególnych typów litologicznych rudy miedzi: węglanowej, łupkowej i piaskowcowej oraz mieszanki tych typów w trzech klasach ziarnowych: 0÷45 μm, 45÷71 μm i 71÷100 μm. Celem przekształceń wykorzystanych w procedurze komputerowej analizy obrazu jest otrzymanie poprawnie posegmentowanego obrazu binarnego, który umożliwiałby wyróżnienie badanych obiektów - pojedynczych (poszczególnych) ziaren oraz tła, a następnie wykonanie pomiarów parametrów zbinaryzowanych obiektów. Spośród dużej ilości parametrów dostępnych w używanym oprogramowaniu do identyfikacji typów rud wybrano najważniejsze z punktu widzenia opisu ziaren. Obok parametrów opisujących podstawowe właściwości geometryczne tj. pole powierzchni, wysokość, szerokość, średnice Feret’a, oraz opisujących kształt ziaren, np. współczynniki wypełnienia, kolistości, wybrano parametry szarości obiektów. W tabeli 3 podano wartości statystyczne zmiennych wykorzystywanych w obliczeniach modelowych, dla jednego z materiałów. Do analizy uzyskanych danych wykorzystano sieci neuronowe. W niniejszej publikacji przedstawiono przykładowe wyniki modelowania dla zagadnienia klasyfikacji identyfikującego dwa typy rud: węglanowo-łupkową i piaskowcową. Połączenie rud: węglanowej i łupkowej w jeden typ ma swoje technologiczne uzasadnienie. Obliczenia modelujące wykonano przy użyciu komputerowego programu do modelowania Statistica Neural Networks firmy StatSoft. W tabeli 4 i 5 przedstawiono charakterystyki ostatecznych najskuteczniejszych modeli sieci neuronowych klasyfikujących typy rud. Ogólnie modele sieci neuronowych, realizujące zagadnienie klasyfikacji typów rud, charakteryzowały się wysoką jakością działania oraz małymi błędami sieci dla poszczególnych podzbiorów danych (uczącego, walidacyjnego i testowego). Świadczy to o ich wysokiej stabilności i pewności działania w przypadku uruchamiania sieci na nowych zbiorach danych. Weryfikacja zdolności predykcyjnych najskuteczniejszych modeli sieci neuronowych polegała na uruchomieniu sieci na nowych danych charakterystycznych dla poszczególnych mieszanek, oraz na porównaniu i ocenie uzyskanych przewidywań z rzeczywistymi udziałami poszczególnych typów rud miedzi w analizowanych mieszankach. Na rysunkach 6 i 7 przedstawiono wyniki przewidywań udziałów odmian litologicznych rud miedzi w mieszankach. Podsumowując przewidywania udziałów typów rud w poszczególnych mieszankach dla rozważanego zagadnienia klasyfikacji można stwierdzić, że wyniki przewidywań są dobre i potwierdzają przewagę litologiczną określonych odmian rud w badanych mieszankach. Szczególnie istotny z technologicznego punktu widzenia jest wysoki stopień trafności przewidywań typów rud dla szerokiej klasy ziarnowej, która odpowiada zazwyczaj rzeczywistemu składowi ziarnowemu nadawy do procesu flotacji. Trafność tych przewidywań jest większa dla mieszanek z przewagą rudy piaskowcowej.
Źródło:
Archives of Mining Sciences; 2013, 58, 2; 433-448
0860-7001
Pojawia się w:
Archives of Mining Sciences
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