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 "klasyfikacja obrazu" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Detection and classification of vehicles using selected methods of image processing
    Autorzy:
    Marek-Latowicki, M.
    Konior, A.
    Ryguła, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/393413.pdf
    Data publikacji:
    2019
    Wydawca:
    Polskie Stowarzyszenie Telematyki Transportu
    Tematy:
    image processing
    vehicle detection
    vehicle classification
    przetwarzanie obrazu
    detekcja pojazdów
    klasyfikacja pojazdów
    Opis:
    Methods of vehicles detection and classification using image processing are becoming increasingly popular, especially due to their non-invasiveness in the road surface and relatively lower installation and maintenance costs. These methods are commonly used in traffic flow monitoring systems and detection of vehicles with specific parameters. Importantly, the use of video analytics methods is still characterized by sensitivity to external disturbances such as variable weather conditions. The work discusses selected data processing mechanisms that have been applied within the functioning vehicle recognition subsystem. As part of the analysis, the effectiveness of the applied solutions and sensitivity to the occurring weather conditions were assessed.
    Źródło:
    Archives of Transport System Telematics; 2019, 12, 4; 10-14
    1899-8208
    Pojawia się w:
    Archives of Transport System Telematics
    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
    Tytuł:
    Recognition of lip prints using Fuzzy c-Means clustering
    Autorzy:
    Wrobel, K.
    Froelich, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/333981.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
    Tematy:
    lip print
    image processing
    clustering techniques
    data classification
    grafika wargowa
    przetwarzanie obrazu
    metody grupowania
    klasyfikacja danych
    Opis:
    In this paper a new method for lip print recognition is proposed. The proposed approach is based on Fuzzy c-Means clustering of the characteristics features of lip prints. First, the Hough transform is applied for the recognition of the characteristic features within lip prints, then Fuzzy c-Means clustering is performed to cluster those features. The proposed algorithm applies the results of clustering to find an unknown image withing the collected repository of lip prints. Instead of comparing all pairs of individual characteristic features, the proposed algorithm uses the representatives of clusters for the comparison of images. The advantage of using the proposed method is its increased tolerance to the noise in data and thus the increased efficiency of the recognition. The effectiveness of presented method has been verified experimentally using real-world images. The results are satisfactory and suggest the possibility of using the method in forensic identification systems
    Źródło:
    Journal of Medical Informatics & Technologies; 2015, 24; 67-73
    1642-6037
    Pojawia się w:
    Journal of Medical Informatics & Technologies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A supervised approach to musculoskeletal imaging fracture detection and classification using deep learning algorithms
    Autorzy:
    Karanam, Santoshachandra Rao
    Srinivas, Y.
    Chakravarty, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/38702595.pdf
    Data publikacji:
    2023
    Wydawca:
    Instytut Podstawowych Problemów Techniki PAN
    Tematy:
    musculoskeletal image
    image processing
    image enhancement
    fracture diagnosis
    fracture classification
    deep neural network
    obraz układu mięśniowo-szkieletowego
    przetwarzanie obrazu
    wzmocnienie obrazu
    diagnoza złamania
    klasyfikacja złamań
    głęboka sieć neuronowa
    Opis:
    Bone fractures break bone continuity. Impact or stress causes numerous bone fractures. Fracture misdiagnosis is the most frequent mistake in emergency rooms, resulting in treatment delays and permanent impairment. According to the Indian population studies, fractures are becoming more common. In the last three decades, there has been a growth of 480 000, and by 2022, it will surpass 600 000. Classifying X-rays may be challenging, particularly in an emergency room when one must act quickly. Deep learning techniques have recently become more popular for image categorization. Deep neural networks (DNNs) can classify images and solve challenging problems. This research aims to build and evaluate a deep learning system for fracture identification and bone fracture classification (BFC). This work proposes an image-processing system that can identify bone fractures using X-rays. Images from the dataset are pre-processed, enhanced, and extracted. Then, DNN classifiers ResNeXt101, InceptionResNetV2, Xception, and NASNetLarge separate the images into the ones with unfractured and fractured bones (normal, oblique, spiral, comminuted, impacted, transverse, and greenstick). The most accurate model is InceptionResNetV2, with an accuracy of 94.58%.
    Źródło:
    Computer Assisted Methods in Engineering and Science; 2023, 30, 3; 369-385
    2299-3649
    Pojawia się w:
    Computer Assisted Methods in Engineering and Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Automatyczna klasyfikacja komórek rozmazu krwi obwodowej na przykładzie zatrucia ołowiem
    Automatic classification of peripheral blood smear cells by the example of lead poisoning
    Autorzy:
    Michalski, Adrian
    Kupcewicz, Bogumiła
    Powiązania:
    https://bibliotekanauki.pl/articles/762603.pdf
    Data publikacji:
    2020-07-28
    Wydawca:
    Polskie Towarzystwo Farmaceutyczne
    Tematy:
    uczenie maszynowe
    analiza rozmazu krwi obwodowej
    klasyfikacja białych krwinek
    przetwarzanie obrazu
    Image Processing
    machine learning
    peripheral blood smear analysis
    leukocyte classification
    Opis:
    The first symptoms caused by heavy metals poisoning are usually non-specific, therefore their diagnosis requires specialized knowledge and experience. Incorrect diagnosis can lead to various disorders and irreversible changes in patient’s health. Lead poisoning is one of the heavy metals poisoning which is associated with non-specific symptoms and may cause a broad range of biochemical, physiological and behavioral disfunctions. Lead is commonly found in industry and manufacturing and in 2017, lead poisoning caused over a million deaths worldwide. Due to non-specific symptoms, lead poisoning is often diagnosed too late or incorrectly. Early symptoms are headache and stomachache, which potentiate with metal concentration. Lead poisoning increasing risk of anemia due to inhibition the ability to produce hemoglobin by interfering the heme biosynthesis pathway and decreasing red blood cell survival. Because of regularly occurred disorders of hematopoiesis and the presence of atypical cell in smears, diagnosis of lead poisoning that gives relevant information is bone marrow and peripheral blood smear study. The manual smear test made by qualified technician involves the evaluation of the preparation by using an optical microscope. Manual microscopic examination of blood cells is time-consuming and subjective. Automation of this process would enable to reduce the risk of human failure and solve the problem with lack of professional staff. Traditional machine learning is the most popular approach to automating microscopic smear testing. This method consists of the following stages: microscopic image acquisition, preprocessing, cell segmentation, feature extraction, followed by classification into types, artifacts and atypical cells. This work presents the recent methods proposed to automate the analysis of peripheral blood and bone marrow smears using traditional machine learning methods. A review of different machine learning methods was carried out, focusing on the presentation of an algorithm for the construction of automatic blood cell classifiers.
    Pierwsze objawy pacjenta po zatruciu metalami ciężkimi są najczęściej nieswoiste, dlatego ich diagnostyka jest zadaniem wymagającym specjalistycznej wiedzy i doświadczenia. Nieprawidłowa diagnoza może prowadzić do nieodwracalnych zmian w stanie zdrowia pacjenta. Jednym z metali ciężkich, którym zatrucie wiąże się z nieswoistymi objawami, a może prowadzić do poważnych zaburzeń neurologicznych i hematologicznych jest ołów. Ołów jest metalem ciężkim powszechnie występującym w przemyśle i produkcji. W 2017 roku zatrucie tym metalem było przyczyną ponad miliona zgonów na świecie. Z powodu nieswoistych objawów zatrucie ołowiem często jest diagnozowane nieprawidłowo i zbyt późno. Zatrucie metalami ciężkimi może prowadzić do zaburzeń hematopoezy i pojawienia się w rozmazach krwi i szpiku kostnego komórek atypowych, w związku z czym badaniem niosącym istotną informację w diagnostyce zatrucia jest ocena komórek w rozmazach. Analiza rozmazu manualnego polega na ocenie preparatu przy użyciu mikroskopu optycznego oraz szczegółowej interpretacji obrazu mikroskopowego wykonywanej przez wykwalifikowany personel. Automatyzacja tego procesu pozwoliłaby na ograniczenie ryzyka pomyłki spowodowanej błędem ludzkim oraz rozwiązanie problemu braku doświadczonego personelu. Najpopularniejszym podejściem wykorzystywanym w automatyzacji mikroskopowego badania rozmazu jest tradycyjne uczenie maszynowe. Metoda ta, składa się z kilku etapów: zbieranie obrazów mikroskopowych i ich wstępna obróbka, wyodrębnienie komórek oraz ich charakterystycznych cech, a następnie klasyfikacja na rodzaje, artefakty i komórki atypowe. W pracy opisano aktualnie proponowane sposoby automatyzacji badania rozmazu krwi obwodowej i szpiku kostnego, wykorzystujące tradycyjne metody uczenia maszynowego. Przeprowadzono przegląd metod uczenia maszynowego, skupiając się na przedstawieniu algorytmu postępowania w konstrukcji automatycznych klasyfikatorów komórek krwi.
    Źródło:
    Farmacja Polska; 2020, 76, 6; 318-323
    0014-8261
    2544-8552
    Pojawia się w:
    Farmacja Polska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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