Autor: Tadeusiewicz, R - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Sterowanie napędem zespołu chwytno-pozycjonującego w automacie skaryfikującym nasiona dębu
Autorzy:: Tadeusiewicz, R.
Klocek, J.
Piłat, A.
Jabłoński, M.
Tylek, P.
Walczyk, J.
Adamczyk, F.
Szaroleta, M.
Powiązania:: https://bibliotekanauki.pl/articles/305017.pdf
Data publikacji:: 2017
Wydawca:: Wydawnictwo Druk-Art
Tematy:: urządzenie chwytno-pozycjonujące
sterowanie napędem
nasiona dębu
gripping and positioning device
drive control
oak seeds
Opis:: W artykule opisano strukturę i zasadę działania układu sterowania i napędu dla zespołu chwytno-pozycjonującego, będącego częścią automatu przeznaczonego do skaryfikacji i oceny zdrowotności żołędzi. Urządzenie to, zaprojektowane wspólnie przez specjalistów z Uniwersytetu Rolniczego w Krakowie oraz inżynierów z AGH z Krakowa, PIMR z Poznania i zbudowane przez pracowników dwóch firm: OPTISTER z Krakowa i PROMAR z Poznania, ma za zadanie zwiększyć liczbę uzyskiwanych sadzonek dębów poprzez eliminację nasion nierokujących nadziei na to, że z nich wyrosną potrzebne sadzonki. Opis celu i zasady działania automatu był przedmiotem innych prac, cytowanych w wykazie literatury, natomiast w niniejszej pracy opisano wspomniany wyżej szczegółowy fragment rozważanej konstrukcji, a mianowicie układ sterowania i napędu dla zespołu chwytno-pozycjonującego. Prezentowane rozwiązanie zawiera interesujące nowatorskie rozwiązania konstrukcyjne, może więc zainteresować czytelników zajmujących się budową urządzeń chwytno-pozycjonujących o podobnym lub innym przeznaczeniu.
In paper the new gripping-positioning unit driver control in an automaton scarifying oak seeds is described and discussed. Such automaton was designed by specialists form Agricultural University in Krakow with engineers from AGH University of Science and Technology in Krakow and PIMR in Poznan. Discussed in presented paper part of scarifying automaton (the gripping-positioning unit with drivers and automatic control) was built in two factories: OPTISTER from Krakow and PROMAR from Poznan. Whole automaton is dedicated for increasing number of oak seeds by means of eliminating form sowing process acorns which are damaged in any form. This automatic selection can be very effective and fast, in contrast to manual processing performed up to day. The whole description of design and construction of considered automatom was given in previous publications by authors, listed in bibliography.
Źródło:: Napędy i Sterowanie; 2017, 19, 11; 82-87
1507-7764
Pojawia się w:: Napędy i Sterowanie
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 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

Zmień widok

na półce

Skocz do pozycji: 3.

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