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 "object automation" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Network routing method for ships and other moving objects using MATLAB
    Autorzy:
    Sakharov, Vladimir V.
    Chertkov, Alexandr A.
    Ariefjew, Igor B.
    Powiązania:
    https://bibliotekanauki.pl/articles/135140.pdf
    Data publikacji:
    2020
    Wydawca:
    Akademia Morska w Szczecinie. Wydawnictwo AMSz
    Tematy:
    algorithm
    path
    optimization
    transport
    automation
    moving object
    Opis:
    Task planning involves automating the creation of the routes for vessels with known coordinates in a confined space. The management of vessel release in a given area affects the time required for a vessel to complete its voyage, and maximizing vessel performance involves identifying the shortest route. A key issue in automating the generation of the optimal (shortest) routes is selecting the appropriate mathematical apparatus. This paper considers an optimization method based on a recursive algorithm using Bellman-Ford routing tasks for large dimensions. Unlike other optimization techniques, the proposed method enables the shortest path to be assessed in a network model with a complex topology, even if there are arcs with negative weights. The practical implementation of the modified Floyd algorithm was demonstrated using a sample automated build and using it to calculate a network model with a complex topology, using an iterative procedure for a program prepared in MATLAB. Implementation of the computer model is simple, and unlike existing models, it eliminates restrictions associated with the presence of negative weights and cycles on a network and automates search shortcuts in ground branch functional means in MATLAB. To confirm the accuracy of the obtained results, we performed an example calculation using the network. The proposed algorithm and recursive procedure are recommended for finding energy-efficient solutions during the management of mobile objects on waterways.
    Źródło:
    Zeszyty Naukowe Akademii Morskiej w Szczecinie; 2020, 62 (134); 61-68
    1733-8670
    2392-0378
    Pojawia się w:
    Zeszyty Naukowe Akademii Morskiej w Szczecinie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie obiektowo zorientowanej analizy obrazu (GEOBIA) wysokorozdzielczych obrazów satelitarnych w klasyfikacji obszaru miasta Krakowa
    Using the object-based image analysis (GEOBIA) in the classification of the very high resolution satellite images of Krakow municipality
    Autorzy:
    Wężyk, P.
    de Kok, R.
    Szombara, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/130169.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    klasyfikacja obiektowa (GEOBIA)
    Ikonos
    QuickBird
    automatyzacja
    pokrycie terenu
    OBIA (Object Based Image Analysis)
    automation
    land use
    Opis:
    Technologie teledetekcyjne oraz systemy GIS osiągnęły obecnie poziom rozwoju umożliwiający pełna implementacje automatycznych metod klasyfikacji oraz procesów kontroli i aktualizacji zasobów kartograficznych będących w posiadaniu administracji publicznej. Dane teledetekcyjne pozyskiwane nowoczesnymi metodami takimi jak: lotnicze kamery cyfrowe, skanery hiperspektralne, LiDAR badz VHRS - pozwalają na poprawne skonstruowanie procesu wspomagania podejmowania decyzji na poziomie lokalnym i regionalnym takich jak np. miejscowe plany zagospodarowania przestrzennego. Ogromne zbiory danych (np. LiDAR, VHRS) muszą być coraz częściej poddawane automatycznym procesom ich przetwarzania. Obiektowo zorientowana analiza obrazu (ang. Object Based Image Analysis; akronim: GEOBIA) - zwana potocznie klasyfikacja obiektowa, wykorzystuje zaawansowane algorytmy segmentacji rastra. Rozstrzygają one o liczbie generowanych obiektów na podstawie wartości jaskrawości piksela oraz „właściwości geometrycznych” (np. kształtu, grupowania się pikseli w homogeniczne obiekty, zwartości, etc). W kolejnych krokach obiekty te są klasyfikowane na podstawie licznych zależności i właściwości, jak np. parametru homogeniczności czy stosunku długości granic do powierzchni (wykrywanie krawędzi, budynków, działek etc). Klasyfikacja obiektowa może przyjąć strukturę hierarchiczna, to znaczy raz sklasyfikowane obiekty mogą posłużyć do stworzenia nowego wyższego hierarchicznie poziomu. Taka metodyka pozwala na przygotowanie scenariuszy postepowania klasyfikacyjnego zapisywanych do plików zwanych protokołami w oprogramowaniu DEFNIENS. Nowatorskie podejście do kwestii klasyfikacji obrazu bez potrzeby wykorzystywania pól treningowych zostało już potwierdzone wieloma projektami naukowymi i ich wdrożeniami (Wężyk, de Kok, 2005; de Kok, Wężyk, 2006). W prezentowanej pracy do przeprowadzenia klasyfikacji wykorzystano 2 sceny IKONOS z dnia 25.06.2005 roku (łączny obszar 194,7 km2) oraz 1 scenę QuickBird z dnia 07.09.2006 roku (167,7 km2). Prace zostały zlecone przez Biuro Planowania Przestrzennego UM Krakowa w listopadzie 2006 roku. Obrazy VHRS poddano ortorektyfikacji (Aplication Master 5.0, Inpho) w oparciu o współczynniki RPC ale także punkty dostosowania GCP pozyskane z ortofotomap Phare 2001 oraz NMT przekazanego przez BPP UMK (Wężyk et al., 2006). Do analizy obrazów VHRS wykorzystano kanał panchromatyczny (PAN) oraz wielospektralne (MS) zakresy promieniowania. Wstępne przetwarzanie kanałów PAN polegało na zastosowaniu filtrów krawędziowych (np. Lee Sigma), w wyniku działania których otrzymano tzw. obrazy pochodne wykorzystane w procesie segmentacji. Inne obrazy biorące udział w tym złożonym procesie składającym się z 11 kroków to: poszczególne kanały MS (Blue, Green, Red, NIR), dla których wykonano analizę głównych składowych (ang. Principal Component Analysis), mapa ewidencyjna (obraz rastrowy) wykorzystywana w projekcie kartowania zieleni rzeczywistej Krakowa (służąca głównie klasyfikacji budynków przy wykorzystaniu PC3), rastrowa warstwa sieci dróg pochodząca z wektoryzacji ekranowej VHRS i z map ewidencyjnych. W toku uzgodnień z BPP UMK podjęto decyzje o przyjęciu dwóch poziomów hierarchicznych klas pokrycia terenu. Poziom 1 składał się z 9-ciu klas zajmujących odpowiednio: tereny zainwestowane – 17,42%, zieleń wysoka – 24,99%, zieleń niska – 44,31%, zieleń terenów sportowych oraz ogródków działkowych – 1,39%, zbiorniki wodne i rzeki – 1,94%, infrastruktura drogowa – 3,48%, hałdy + wysypiska + odsłonięta gleba – 0,84%, grunty orne i uprawy – 5,35% oraz cień – 0,28% obszaru badan. Trzy klasy poziomu 1, tj.: tereny zainwestowane, zieleń niska i zieleń wysoka) zdecydowano się zaprezentować na wyższym – 2 poziomie szczegółowości. Wraz z pozostałymi klasami poziom ten składał się łącznie z 22 klas. Osiągnięte rezultaty potwierdziły szerokie możliwości stosowania automatycznych metod OBIA bazujących na VHRS i innych informacjach pochodzących z systemów GIS oraz z zasobów geodezyjnokartograficznych w celu ich aktualizacji.
    Recent developments in Remote Sensing and GIS have reached maturity which allows to implement the research results into standardized process flows for updating and checking the municipality cadastral information. The database containing the city cadastre already handles data fusion methods itself. Available information considerably enhance information extraction from new data collections with high quality sensors such as LiDAR, photogrammetrical imagery and VHRS data. Huge amounts of available data must be processed in sequences to keep them handable. Transferable protocols for automatic handling of VHRS data can now be put into a full production process to assist the workflow of other image data from airborne platforms and integrate these GIS output into further cadastral GIS analysis. The data fusion within this project allows a highly detailed description of the city status-quo and the basis for change detection. Further these results are besides a very important archival inventory also a basis for decision support, now and in the future. The whole workflow was of a chain of previous research projects which were put into a commercial workflow. This study shows an experience report on, how the product chain was built-up and what type of products were delivered to the municipality of Krakow (Poland).
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17b; 791-800
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wyznaczenie punktów stałych obiektów przestrzennych na drodze automatycznej
    Automatic determination of spatial objects’ invariant points
    Autorzy:
    Kozioł, K.
    Szombara, S.
    Knecht, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/130424.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    automatyzacja
    DLM
    generalizacja kartograficzna
    linia brzegowa
    MRDB
    punkty stałe obiektu
    redukcja punktów
    upraszczanie
    generalizacja jednoznaczna
    automation
    cartographic generalization
    coastline
    invariant points of an object
    points reduction
    simplification
    scale-driven generalisation
    Opis:
    W pracy zaprezentowano algorytm służący do wyznaczania punktów stałych obiektów przestrzennych na przykładzie fragmentu linii brzegowej obszaru Wielkiej Brytanii. Punkty stałe (osnowa kartograficzna) zostały wyznaczone, jako atrybut obiektu liniowego, do jego upraszczania w procesie cyfrowej generalizacji kartograficznej. Punkty stałe nadają hierarchię obiektom przestrzennym, a co za tym idzie mogą powodować zwiększenie zaufania do wyników upraszczania. Wyznaczenie punktów stałych może poprzedzać proces upraszczania przeprowadzany metodami jednoznacznymi/obiektywnymi (zależnymi tylko od skali opracowywanej mapy, ang. scale-driven generalization), a także algorytmami redukcji punktów (ang. point reduction). Wyznaczenie punktów stałych odbywa się w ramach przegotowania danych do ich implementacji w modelu topograficznym/ numerycznym modelu krajobrazu (ang. Digital Landscape Model) w wielorozdzielczej/wieloreprezentacyjnej bazie danych (przestrzennych) (ang. Multi Resolution/Multi Representation Data Base). Wyniki z procesu wyznaczania punktów stałych wskazują, że atrybut ten można wyznaczać w sposób automatyczny dla linii łamanych otwartych lub zamkniętych.
    In this paper the algorithm for determining invariant points of spatial objects was presented as implemented on the data of Great Britain’s coastline. Invariant points (cartographic warp) were determined as a linear object feature for its simplification in a process of digital cartographic generalisation. Invariant points provide spatial objects with hierarchy and, consequently, can increase trust towards the simplification results. Determination of the invariant points can be preceded by a simplification process carried with the unambiguous/objective methods depending only on the scale of a processed map (scale-driven methods) as well as with use of point reduction algorithms. Determination of the invariant points is proceeded during the process of preparation of the data to its implementation in a Digital Landscape Model (DLM) in a Multi Resolution/Multi Representation Data Base (MRDB). The results of the process of determination of the invariant points show, that this feature can be determined in an automatic way for the open or closed polylines.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2012, 23; 179-186
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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