Informacja

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

Wyszukujesz frazę "system machine vision" wg kryterium: Wszystkie pola


Wyświetlanie 1-4 z 4
Tytuł:
Widzenie maszynowe jako narzędzie zapewniające wysoką jakość wyrobów
Machine vision system as a tool to secure high quality of articles
Autorzy:
Szymonik, J.
Powiązania:
https://bibliotekanauki.pl/articles/234525.pdf
Data publikacji:
2010
Wydawca:
Wojskowy Instytut Techniczny Uzbrojenia
Tematy:
widzenie maszynowe
wizja komputerowa
jakość wyrobów
machine vision
computer vision
quality of articles
Opis:
Artykuł składa się z czterech rozdziałów, wstępu oraz zakończenia. Jego myślą przewodnią jest zapoznanie czytelnika z systemami widzenia maszynowego, które pełnią coraz większa rolę w procesach produkcyjnych oraz ich automatyzacji. W rozdziale pierwszym wymienione są czynniki wskazujące na pozytywne skutki wdrażania systemów widzenia maszynowego do procesów produkcyjnych. Omówione są również szerokie zastosowania systemów w wielu gałęziach przemysłu oraz pełnione przez nie funkcje. Rozdział drugi przedstawia architekturę typowego systemu widzenia maszynowego, wskazując jednocześnie jego najważniejszy element jakim jest system wizyjny. W dalszej części przedstawiona jest struktura oraz poszczególne etapy z jakich składa się system wizyjny. Kolejny rozdział skupia się na budowie oraz zasadzie działania kamery przemysłowej – głównego czynnika systemu wizyjnego (na przykładzie kamery przemysłowej firmy Allied Vision Technologies).W ostatnim rozdziale zawarte są parametry kamer takie jak: rozdzielczość, interfejsy komunikacyjne, typ sensora, liczba klatek na sekundę, rozmiar sensora, których znajomość jest niezbędna do odpowiedniego doboru urządzenia będącego podstawą poprawnie funkcjonującego systemu wizyjnego.
The article consists of four chapters, the introduction and the conclusion. Its keynote is to familiarize the reader with machine vision systems, which are becoming more and more important in production processes and their automation. The first chapter lists the factors indicating the positive effects of machine vision systems implementation for manufacturing processes. The wide application and functions of computerized systems in different industries are also discussed. The second chapter presents the architecture of a typical machine vision system, pointing at the same time at its most important element - vision system. The structure and various stages, of which consists vision system, are presented later in this chapter. The next chapter focuses on the structure and the principle of operation of industrial cameras - a key factor of the vision system (on the example of industrial camera produced by Allied Vision Technologies). The last chapter includes camera parameters such as resolution, communication interfaces, sensor type, number of frames per second, sensor size, which are required for the proper selection of equipment forming the basis of correctly functioning visual system.
Źródło:
Problemy Techniki Uzbrojenia; 2010, R. 39, z. 115; 67-76
1230-3801
Pojawia się w:
Problemy Techniki Uzbrojenia
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
System wizyjny wspomagający interakcję człowiek-maszyna
A vision system supporting man-machine interactionbased hand gesture recognition
Autorzy:
Kwolek, B.
Powiązania:
https://bibliotekanauki.pl/articles/156330.pdf
Data publikacji:
2005
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
przetwarzanie obrazów wizyjnych
sztuczna inteligencja
śledzenie i detekcja twarzy
computer vision
artificial intelligence
face detection and tracking
Opis:
Niniejsza praca prezentuje system wizyjny pracujący w oparciu o obrazy pochodzące z kamery stereowizyjnej lub kamery aktywnej. Głównym zadaniem systemu jest detekcja i śledzenie twarzy/głowy w długich sekwencjach wizyjnych. System testowano w eksperymentach polegających na śledzeniu twarzy/głowy i jednoczesnym podążaniu przez robot za osobą. W innym z eksperymentów zadaniem systemu było śledzenie twarzy/głowy przez kamerę aktywną dla potrzeb związanych z realizacją przekazu telekonferencyjnego. W pracy nawiązano także do zastosowań związanych z wykorzystaniem systemu wizyjnego do lokalizacji robota.
This work presents a vision system which works and the basis of images acquired from a stereovision camera or an active camera. The main goal of the system is detection and tracking a face/head in long vision sequences. The system has been tested in experiments consisting in tracking the face/head and simultaneous person following with a mobile robot. In the second experiment the aim of the system was to track the face/head with an active camera for teleconference purposes. This work also deals with the usage of an omnidirectional camera to perform a localization of the mobile robot.
Źródło:
Pomiary Automatyka Kontrola; 2005, R. 51, nr 1, 1; 60-62
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-feature ensemble system in the renal tumour classification task
Autorzy:
Osowska-Kurczab, Aleksandra Maria
Markiewicz, Tomasz
Dziekiewicz, Miroslaw
Lorent, Malgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2173572.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
medical imaging
renal cell carcinoma
convolutional neural networks
textural features
support vector machine
computer vision
deep learning
technika deep learning
obrazowanie medyczne
rak nerkowokomórkowy
konwolucyjne sieci neuronowe
cechy tekstury
maszyna wektorów nośnych
wizja komputerowa
głęboka nauka
Opis:
Recently, the analysis of medical imaging is gaining substantial research interest, due to advancements in the computer vision field. Automation of medical image analysis can significantly improve the diagnosis process and lead to better prioritization of patients waiting for medical consultation. This research is dedicated to building a multi-feature ensemble model which associates two independent methods of image description: textural features and deep learning. Different algorithms of classification were applied to single-phase computed tomography images containing 8 subtypes of renal neoplastic lesions. The final ensemble includes a textural description combined with a support vector machine and various configurations of Convolutional Neural Networks. Results of experimental tests have proved that such a model can achieve 93.6% of weighted F1-score (tested in 10-fold cross validation mode). Improvement of performance of the best individual predictor totalled 3.5 percentage points.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; art. no. e136749
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-feature ensemble system in the renal tumour classification task
Autorzy:
Osowska-Kurczab, Aleksandra Maria
Markiewicz, Tomasz
Dziekiewicz, Miroslaw
Lorent, Malgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2128157.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
medical imaging
renal cell carcinoma
convolutional neural networks
textural features
support vector machine
computer vision
deep learning
technika deep learning
obrazowanie medyczne
rak nerkowokomórkowy
konwolucyjne sieci neuronowe
cechy tekstury
maszyna wektorów nośnych
wizja komputerowa
głęboka nauka
Opis:
Recently, the analysis of medical imaging is gaining substantial research interest, due to advancements in the computer vision field. Automation of medical image analysis can significantly improve the diagnosis process and lead to better prioritization of patients waiting for medical consultation. This research is dedicated to building a multi-feature ensemble model which associates two independent methods of image description: textural features and deep learning. Different algorithms of classification were applied to single-phase computed tomography images containing 8 subtypes of renal neoplastic lesions. The final ensemble includes a textural description combined with a support vector machine and various configurations of Convolutional Neural Networks. Results of experimental tests have proved that such a model can achieve 93.6% of weighted F1-score (tested in 10-fold cross validation mode). Improvement of performance of the best individual predictor totalled 3.5 percentage points.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; e136749, 1--8
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-4 z 4

    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