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 "neural image analysis" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 28
Tytuł:
IT Techniques for The Assessment of Pollutants in Loose Food Raw Materials®
Techniki informatyczne w ocenie zanieczyszczeń w surowcach spożywczych®
Autorzy:
Szwedziak, Katarzyna
Doleżal, Petr
Podsędek, Sebastian
Kotysz, Dominika
Powiązania:
https://bibliotekanauki.pl/articles/1522505.pdf
Data publikacji:
2021
Wydawca:
Wyższa Szkoła Menedżerska w Warszawie
Tematy:
image analysis
artificial neural networks
quality assessment
contamination in grain mill products
image recognition
analiza obrazu
sztuczne sieci neuronowe
ocena jakości
zanieczyszczenia w produktach przemiału zbóż
rozpoznawanie obrazu
Opis:
The grain and milling industry deals with the grinding of grain into flour and groats. These processes take place in mills. During the technological process of producing flour and groats, contamination may occur, which reduces the quality of end products. Before the product is introduced into the consumption cycle, the flours and groats are subjected to laboratory analysis, including in terms of product purity. This analysis is based on the organoleptic determination of the amount of contamination in flour and grain products using the sense of sight. The article presents innovative techniques for assessing the quality of the pollution level using image analysis and artificial neural networks (ANNs). Wheat flour was used for laboratory tests.
Przemysł zbożowo-młynarski zajmuje się przemiałem zboża na mąkę i kasze. Procesy te odbywają się w młynach. W czasie procesu technologicznego produkcji mąki oraz kasz, może dojść do zanieczyszczeń, co powoduje obniżenie jakości produktów końcowych. Przed wprowadzeniem produktu do obiegu konsumpcyjnego, mąki i kasze poddawane są analizie laboratoryjnej, między innymi pod względem czystości produktu. Analiza ta polega na organoleptycznym określeniu za pomocą zmysłu wzroku ilości zanieczyszczeń w mące i przetworach zbożowych. W artykule przedstawiono innowacyjne techniki oceny jakości poziomu zanieczyszczeń wykorzystujące analizę obrazu oraz sztuczne sieci neuronowe (SSN). Do badań laboratoryjnych wykorzystano mąkę pszenną.
Źródło:
Postępy Techniki Przetwórstwa Spożywczego; 2021, 1; 5-10
0867-793X
2719-3691
Pojawia się w:
Postępy Techniki Przetwórstwa Spożywczego
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Denoising and Analysis Methods of Computer Tomography Results of Lung Diagnostics for Use in Neural Network Technology
Autorzy:
Slavova, Oleksandra
Lebid, Solomiya
Powiązania:
https://bibliotekanauki.pl/articles/1833888.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Oddział w Lublinie PAN
Tematy:
computed tomography
CT scans analysis
convolutional neural network
image clustering
image denoising
k-means clustering
Opis:
Any type of biomedical screening emerges large amounts of data. As a rule, these data are unprocessed and might cause problems during the analysis and interpretation. It can be explained with inaccuracies and artifacts, which distort all the data. That is why it is crucial to make sure that the biomedical information under analysis was of high quality to omit to receive possibly wrong results or incorrect diagnosis. Receiving qualitative and trustworthy biomedical data is a necessary condition for high-quality data assessment and diagnostics. Neural networks as a computing system in data analysis provide recognizable and clear datasets. Without such data, it becomes extremely difficult to make a diagnosis, predict the course of the disease, and treatment result. The object of this research was to define, describe, and test a new approach to the analysis and preprocessing of the biomedical images, based on segmentation. Also, it was summarized different metrics for assessing image quality depending on the purpose of research. Based on the collected data, the advantages and disadvantages of each of the methods were identified. The proposed method of analysis and noise reduction was applied to the results of computed tomography lungs screening. Based on the appropriate evaluation metrics, the obtained results were evaluated quantitatively and qualitatively. As a result, the expediency of the proposed algorithm application was proven.
Źródło:
ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes; 2020, 9, 1; 19--24
2084-5715
Pojawia się w:
ECONTECHMOD : An International Quarterly Journal on Economics of Technology and Modelling Processes
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Approach to classifying data with highly localized unmarked features using neural networks
Autorzy:
Grzeszczuk, Rafał
Powiązania:
https://bibliotekanauki.pl/articles/305688.pdf
Data publikacji:
2019
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
classification
neural networks
medical image analysis
Opis:
To face the increasing demand of quality healthcare, cutting-edge automation technology is being applied in demanding areas such as medical imaging. This paper proposes a novel approach to classification problems on datasets with sparse highly localized features. It is based on the use of a saliency map in the amplification of features. Unlike previous efforts, this approach does not use any prior information about feature localization. We present an experimental study based on the Diabetic Retinopathy classification problem, in which our method has shown to achieve an over 20%-higher accuracy in solving a two-class Diabetic Retinopathy classification problem than a naive approach based solely on residual neural networks. The dataset consists of 35,120 images of various qualities, inconsistent resolutions, and aspect ratios.
Źródło:
Computer Science; 2019, 20 (3); 329-342
1508-2806
2300-7036
Pojawia się w:
Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Machine learning system for automated blood smear analysis
Autorzy:
Grochowski, Michał
Wąsowicz, Michał
Mikołajczyk, Agnieszka
Ficek, Mateusz
Kulka, Marek
Wróbel, Maciej S.
Jędrzejewska-Szczerska, Małgorzata
Powiązania:
https://bibliotekanauki.pl/articles/220750.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
optical microscopy
blood cells
biophotonics
image analysis
classification
eigenfaces
neural networks
decision support
nanodiamonds
bioimaging
Opis:
In this paper the authors propose a decision support system for automatic blood smear analysis based onmicroscopic images. The images are pre-processed in order to remove irrelevant elements and to enhancethe most important ones – the healthy blood cells (erythrocytes) and the pathologic ones (echinocytes). The separated blood cells are analysed in terms of their most important features by the eigenfaces method. The features are the basis for designing the neural network classifier, learned to distinguish between erythrocytes and echinocytes. As the result, the proposed system is able to analyse the smear blood images in a fully automatic way and to deliver information on the number and statistics of the red blood cells, both healthy and pathologic. The system was examined in two case studies, involving the canine and human blood, and then consulted with the experienced medicine specialists. The accuracy of classification of red blood cells into erythrocytes and echinocytes reaches 96%.
Źródło:
Metrology and Measurement Systems; 2019, 26, 1; 81-93
0860-8229
Pojawia się w:
Metrology and Measurement Systems
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Machine learning versus human-developed algorithms in image analysis of microstructures
Autorzy:
Piwowarczyk, Adam
Wojnar, Leszek
Powiązania:
https://bibliotekanauki.pl/articles/103967.pdf
Data publikacji:
2019
Wydawca:
Stowarzyszenie Menedżerów Jakości i Produkcji
Tematy:
image analysis
object detection
neural networks
machine learning
analiza obrazu
detekcja obiektów
sieci neuronowe
uczenie maszynowe
Opis:
Automatic image analysis is nowadays a standard method in quality control of metallic materials, especially in grain size, graphite shape and non-metallic content evaluation. Automatically prepared solutions, based on machine learning, constitute an effective and sufficiently precise tool for classification. Human-developed algorithms, on the other hand, require much more experience in preparation, but allow better control of factors affecting the final result. Both attempts were described and compared.
Źródło:
Quality Production Improvement - QPI; 2019, 1, 1; 412-416
2657-8603
Pojawia się w:
Quality Production Improvement - QPI
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Maturity classification for composted sewage sludge and rapeseed straw mixture based on neural analysis of images acquired in UV-A light
Klasyfikacja dojrzałości kompostowanej mieszaniny osadu ściekowego i słomy rzepakowej na podstawie neuronowej analizy obrazów pozyskanych w świetle UV-A
Autorzy:
Kujawa, S.
Powiązania:
https://bibliotekanauki.pl/articles/336582.pdf
Data publikacji:
2018
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
image analysis
neural networks
UV-A lighting
compost maturity
communal sewage sludge
rapeseed straw
analiza obrazu
sieci neuronowe
oświetlenie UV-A
dojrzałość kompostu
komunalny osad ściekowy
słoma rzepakowa
Opis:
Composting is one of the most efficient ways of managing municipal sewage sludge. Recently, due to the increased demand for composting, the issue of conducting this process in cost effective way is of particular importance. Determining the early maturity stage of the composted material can significantly improve the efficiency of surface management of relatively expensive compost plant. The following research presents classification of neural models for determining the early stage of composted mixture of sewage sludge and rapeseed straw, basing on information contained in images of material samples obtained with UV-A illumination. The topology of the MLP network was used in the construction of classification models. As input variables, 25 color parameters and 21 texture parameters were originally used, but also steps were taken to eliminate their number. The classification error for the developed neural models ranged from 1.83 to 4.27%. The best model in terms of the lowest value of error, and the smallest number of input variables required, included 16 neurons in the input layer, 50 neurons in the hidden layer and 2 neurons in the output layer. The following model is characterized by a slightly lower classification error and a slightly simpler structure than the best possible model developed in earlier studies for visible light illumination.
Kompostowanie jest jednym z najwłaściwszych sposobów zagospodarowania komunalnych osadów ściekowych. W ostatnim czasie, ze względu na wzmożone zapotrzebowania na kompostowanie tych osadów, szczególnego znaczenia nabiera kwestia prowadzenia tego procesu w sposób wydajny. Odpowiednio wczesne wykrywanie osiągnięcia przez kompostowany materiał stadium wczesnej dojrzałości może znacząco poprawić efektywność gospodarowania powierzchnią relatywnie drogiej płyty kompostowej. W pracy opracowano klasyfikacyjne modele neuronowe do określania tego stadium dla kompostowanej mieszaniny osadu ściekowego i słomy rzepakowej, bazujące na informacjach zawartych w obrazach próbek materiału, pozyskanych przy oświetleniu UV-A. Przy budowie modeli klasyfikacyjnych wykorzystano topologię sieci MLP. Jako zmienne wejściowe pierwotnie wykorzystano 25 parametrów dotyczących barwy oraz 21 parametrów dotyczących tekstury, przy czym wykonano również działania dążące do eliminacji ich liczby. Błąd klasyfikacji dla opracowanych modeli neuronowych zawierał się w przedziale od 1.83 do 4.27%. Najlepszy model pod względem najniższej wartości tego błędu, a przy tym najmniejszej liczby wymaganych zmienny wejściowych, zawierał 16 neuronów w warstwie wejściowej, 50 neuronów w warstwie ukrytej i 2 neurony w warstwie wyjściowej. Model ten cechował się nieco niższym błędem klasyfikacji i nieco prostszą strukturą, niż najlepszy z modeli opracowanych we wcześniejszych badaniach dla oświetlenia w postaci światła widzialnego.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 94-100
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Neural identification of images showing selected varieties of stored potatoes
Neuronowa identyfikacja obrazów wybranych odmian magazynowanych ziemniaków
Autorzy:
Lange, D. M.
Przybył, K.
Łukomski, M.
Koszela, K.
Boniecki, P.
Powiązania:
https://bibliotekanauki.pl/articles/334965.pdf
Data publikacji:
2018
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
artificial neural networks
neural modeling
image analysis
graphic descriptors
edible potato tubers
sztuczne sieci neuronowe
modelowanie neuronowe
analiza obrazu
deskryptor graficzny
bulwa
ziemniak jadalny
Opis:
In recent years, there has been a growing interest in the use of modern IT tools in agricultural engineering. Both image analysis methods and artificial neural networks, designed to reproduce the work of the human brain, serve to build predictive and classification models, highly useful for modern agriculture. Correct identification of both the seed material and the produced crops becomes a priority of agricultural engineering, ensuring adequate efficiency and cost-effectiveness of agrotechnical operations. This article presents a project whose aim was to develop an effective neural model for qualitative identification of the variety of stored consumer potato tubers by using input data obtained in the process of digital image analysis. The designed and created artificial neural network model (multilayer perceptron), using informations in the form of selected graphic descriptors, classifies three selected varieties of edible potato (Denar, Gala, Vineta).
W ostatnich latach dostrzec można wzrastające zainteresowanie wykorzystywaniem nowoczesnych narzędzi informatycznych w inżynierii rolniczej. Zarówno metody analizy obrazu, jak i sztuczne sieci neuronowe, mające odwzorowywać pracę ludzkiego mózgu, służą budowaniu modeli predykcyjnych i klasyfikacyjnych, wysoce użytecznych dla współczesnego rolnictwa. Właściwa identyfikacja zarówno materiału siewnego, jak i wytworzonych plonów, staje się priorytetem inżynierii rolniczej, zapewniając odpowiednią efektywność i opłacalność przeprowadzanych zabiegów agrotechnicznych. Niniejszy artykuł przedstawia projekt, którego celem było opracowanie efektywnego modelu neuronowego służącego do identyfikacji jakościowej odmiany magazynowanych bulw ziemniaków konsumpcyjnych przy użyciu danych wejściowych pozyskanych w procesie analizy obrazów cyfrowych. Zaprojektowany i wytworzony model sztucznej sieci neuronowej (perceptron wielowarstwowy), korzystający z informacji w postaci wybranych deskryptorów graficznych, klasyfikuje trzy wybrane odmiany ziemniaka jadalnego (Denar, Gala, Vineta).
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 110-113
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Use of neuron image analysis to build classification model of corpora lutea of domestic cattle
Wykorzystanie neuronowej analizy obrazu w budowie modelu klasyfikacyjnego ciałek żółtych u bydła domowego
Autorzy:
Górna, K.
Zaborowicz, M.
Jaśkowski, B. M.
Idziaszek, P.
Okoń, P.
Boniecki, P.
Przybył, J.
Powiązania:
https://bibliotekanauki.pl/articles/337157.pdf
Data publikacji:
2016
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
neural modeling
computer image analysis
corpus luteum
ovaries
domestic cattle
modelowanie neuronowe
komputerowa analiza obrazu
ciałko żółte
jajnik
bydło domowe
Opis:
The paper presents the results of studies on the usefulness of the texture images USG (ultrasonography) analysis by GLCM (Gray Level Co-Occurrence Matrix) in neural modeling. Tests pertained to the efficacy of the classification of the corpora lutea located in ultrasound images of the domestic cattle ovaries performed by artificial neural networks. The tests were performed using three different methods: the first one used unprocessed images - raw, the second method used image processing - unsharp mask. In the third method the raw images were processed by filter reducing the noise - despeckle filter. For each of the presented methods, the best generated neural network model had the structure of the MLP (Multi Layers Perceptron). The best results, in terms of artificial neural network were obtained in the case of ultrasound images that were not processed prior to texture analysis. As a result, it generated MLP neural model of structure 5:5-8-1:1.
W pracy zaprezentowano wyniki przeprowadzonych badań nad przydatnością analizy tekstury obrazów USG (UltraSonoGraphy) metodą GLCM (Gray Level Co-Occurrence Matrix) w modelowaniu neuronowym. Sprawdzano skuteczność klasyfikacji przez sztuczne sieci neuronowe ciałek żółtych znajdujących się na obrazach USG jajników bydła domowego. Badania wykonano za pomocą trzech różnych metod: w pierwszej wykorzystano obrazy nieprzetworzone - surowe, w drugiej posłużono się metodą przetwarzania obrazu - filtrem wyostrzającym. Natomiast w trzecim sposobie obrazy surowe zostały przetworzone filtrem redukującym zaszumienia. Dla każdej z zaprezentowanych metod, najlepszy wygenerowany model sieci neuronowej miał strukturę MLP (Multi Layer Perceptron). Najlepsze wyniki, pod względem jakości sztucznej sieci neuronowej uzyskano w przypadku obrazów USG, które nie były przetwarzane przed analizą tekstur. W efekcie wygenerowano model neuronowy MLP o strukturze 5:5-8-1:1.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2016, 61, 3; 162-166
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Computer image analysis and artificial neuron networks in the qualitative assessment of agricultural products
Komputerowa analiza obrazu i sztuczne sieci neuronowe w ocenie jakościowej produktów rolniczych
Autorzy:
Koszela, K.
Powiązania:
https://bibliotekanauki.pl/articles/956515.pdf
Data publikacji:
2015
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
computer image analysis
vegetable
carrot
quality
artificial neural networks
komputerowa analiza obrazu
warzywa
marchew
jakość
sztuczne sieci neuronowe
Opis:
The increasing use of modern information technology in agriculture involves an ever wider range of production, planning, monitoring and marketing processes. Information technologies are being applied in animal and plant production, and recent decades have witnessed a dynamic growth in research into artificial intelligence and thus into advisory (expert) systems such as artificial neuron networks. Obviously this is not the result of a coincidence or a temporary trend, this dynamic development has been made possible thanks to the rapid advancement of computer technology, allowing ever increasing speeds and volumes of data collection and processing. A large number of research-scientific work with the use of computer image analysis, computer-aided decision making and state of the art modelling tools, including artificial neuron networks, is carried out within the scope of agricultural engineering. The computer-aided decision making process in the area of the qualitative assessment of agri-food products is one of those areas using computer image analysis and neuron modelling. The objective of this research project was to develop and describe a computer image analysis method based on the example of carrots and lyophilisation dehydrates for the purpose of the qualitative assessment and classification of individual categories in the analysed sample in terms of quality.
Zastosowanie coraz bardziej nowoczesnych technologii informatycznych w rolnictwie obejmuje coraz szerszy zakres procesów produkcji, planowania, monitorowania i marketingu. Stosowane techniki informatyczne wykorzystuje się w technologii produkcji zwierzęcej oraz roślinnej. W ciągu ostatnich dekad można zaobserwować dynamiczny rozwój badań nad sztuczną inteligencją, a tym samym nad badaniami w zakresie systemów doradczych (ekspertowych), jak również nad sztucznymi sieciami neuronowymi. Oczywiście nie jest to wynik zbiegu okoliczności czy rezultat chwilowej mody. Ten burzliwy rozwój jest możliwy dzięki szybkiemu postępowi techniki komputerowej, która umożliwia zapamiętywanie coraz większej liczby danych oraz coraz szybsze jej przetwarzanie. Duża liczba prac badawczo-naukowych z wykorzystaniem komputerowej analizy obrazów, komputerowego wspomagania decyzji i nowoczesnych narzędzi modelowania, jakimi są sztuczne sieci neuronowe, realizowana jest w ramach inżynierii rolniczej. Jednym z obszarów wykorzystywania komputerowej analizy obrazów i modelowania neuronowego jest wspomaganie podejmowania decyzji w zakresie oceny jakościowej produktów rolno-spożywczych. Celem projektu badawczego było opracowanie i charakterystyka metody komputerowej analizy obrazów na przykładzie korzeni marchwi oraz suszu liofilizacyjnego do oceny jakościowej i klasyfikacji poszczególnych klas w badanej próbie pod względem jakości.
Źródło:
Agricultural Engineering; 2015, 19, 3; 15-24
2083-1587
Pojawia się w:
Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The use of neural image analysis in the identification of information encoded in a graphical form
Wykorzystanie neuronowej analizy obrazów w identyfikacji informacji zakodowanej w formie graficznej
Autorzy:
Koszela, K.
Boniecki, P.
Kuzimska, T.
Powiązania:
https://bibliotekanauki.pl/articles/956540.pdf
Data publikacji:
2015
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
identification of class oocytes
quality classification
computer image analysis
image analysis
artificial neural networks
identyfikacja klas oocytów
klasyfikacja jakościowa
analiza obrazu
sztuczne sieci neuronowe
Opis:
Numerous scientific and research centres are searching for solutions concerning the problem of quality classification of animal oocytes. Conducting such studies is purposeful, particularly in the context of constant attempts to improve the quality of food products, which depends on the breeding value of livestock. Therefore, searching for methods of stimulation of proper development of a larger number of animal oocytes, particularly in extracorporeal conditions, gains special importance. An increasing interest in assisted reproduction techniques resulted in searching for new, increasingly effective methods of quality assessment of mammalian gametes and embryos. The expected progress in the production of animal embryos in vitro is largely dependent on proper classification of obtained oocytes. The aim of this work was to develop a non-invasive method for the quality assessment of oocytes, performed on the basis of graphic information encoded in the form of monochromatic digital images obtained via microscopy techniques. The classification process was conducted based on the information presented in the form of microphotography pictures of domestic pig oocytes, using advanced methods of neural image analysis.
Rozwiązaniem problemu klasyfikacji jakościowej oocytów zwierzęcych zajmuje się wiele różnych ośrodków naukowo-badawczych. Celowość prowadzenia takich badań jest uzasadniona szczególnie w kontekście ciągłego dążenia do podnoszenia jakości produktów żywnościowych, która jest pochodną wartości hodowlanej zwierząt gospodarskich. W związku z tym, istotnego znaczenia nabierają poszukiwania metod prowadzących do stymulowania prawidłowego rozwoju większej liczby zapładnianych oocytów zwierzęcych, zwłaszcza realizowanego w warunkach pozaustrojowych. Rosnące zainteresowanie technikami wspomaganego rozrodu stało się przyczyną poszukiwania nowych, coraz bardziej efektywnych metod oceny jakościowej gamet oraz zarodków ssaków. Oczekiwany postęp w produkcji zarodków in vitro zwierząt uzależniony jest w istocie od poprawnej klasyfikacji pozyskiwanych oocytów. Celem pracy było opracowanie bezinwazyjnej metody oceny jakościowej oocytów dokonywanej w oparciu o informację graficzną zakodowana w postaci monochromatycznych obrazów cyfrowych pozyskanych metodą mikroskopową. Proces klasyfikacji zrealizowano w oparciu o informację prezentowaną w formie zdjęć mikrofotograficznych oocytów świni domowej, wykorzystując w tym celu nowoczesne metody neuronowej analizy obrazu.
Źródło:
Agricultural Engineering; 2015, 19, 3; 25-35
2083-1587
Pojawia się w:
Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of Principal Component Analysis to Boost the Performance of an Automated Fabric Fault Detector and Classifier
Zastosowanie analizy składników dla poprawy działania automatycznego detektora i klasyfikatora błędów płaskich wyrobów włókienniczych
Autorzy:
Eldessouki, M
Hassan, M
Qashqary, K
Shady, E
Powiązania:
https://bibliotekanauki.pl/articles/231790.pdf
Data publikacji:
2014
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
fabric fault detector
image processing
artificial neural networks
principal component analysis
wyroby włókiennicze
defekty materiałów
sztuczne sieci neuronowe
analiza głównych składowych
Opis:
There is a growing need to replace visual fabric inspection with automated systems that detect and classify fabric defects. The digital processing of fabric images utilises different methods that offer a large set of image features. The correlation between those features lead to problems during fabric fault classification and reduces the performance of the classifiers. This work extracted a combination of statistical (spatial) and Fourier transform (spectral) features from fabric images of the most frequent faults. Principal component analysis (PCA) was implemented to reduce the dimensionality of the input feature dataset, which achieved a reduction to 36% of the original data size while preserving 99% of information in the original dataset. The features processed using the PCA were fed to an artificial neural network (ANN) to classify the fault categories and then compared to another ANN that worked with the whole feature dataset. The performance of the network that was implemented after application of the PCA increased to 90% of the correct classification rate as compared to 73.3% for the other network.
Istnieje wzrastająca potrzeba zamiany wizualnej inspekcji płaskich wyrobów włókienniczych automatyzowanymi systemami , które będą w stanie rozpoznać i sklasyfikować defekty materiału. Dla cyfrowej obróbki obrazów tkanin stosuje się różne metody oferujące identyfikacje całego zestawu właściwości obrazu. Korelacja pomiędzy tymi właściwościami prowadzi do problemów podczas identyfikacji i klasyfikacji błędów materiałów i redukuje sprawność klasyfikacji. W pracy wyselekcjonowano kombinacje statystycznych (przestrzennych) i fourierowskch (spektralnych) transformacji pozwalających na wyróżnienie zobrazów materiałów najczęściej występujących błędów. W dalszej części pracy usiłowano zredukować ilość danych wejściowych oraz zastosowano dwa różne systemy sztucznych sieci neuronowych. Wynikiem wszystkich poczynań było zdecydowane zwiększenie skuteczności wykrywania błędów.
Źródło:
Fibres & Textiles in Eastern Europe; 2014, 4 (106); 51-57
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Use of information technology in the evaluation of contamination in flour
Zastosowanie technik informatycznych w ocenie zanieczyszczeń w mące
Autorzy:
Szwedziak, K,
Krótkiewicz, M.
Królczyk, J.
Powiązania:
https://bibliotekanauki.pl/articles/337477.pdf
Data publikacji:
2014
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
image analysis
artificial neural network
quality assessment
pollution
grain mill product
image recognition
analiza obrazu
sztuczna sieć neuronowa
ocena
jakość
zanieczyszczenie
produkt
przemiał zbóż
rozpoznawanie obrazu
Opis:
During the flour manufacturing process flour may be contaminated resulting in lower quality. Before placing a product in the commercial circulation flours are subjected to laboratory analysis, including in terms of product purity. This analysis is based on organoleptic determination (through visual inspection) of the amount of impurities in the flour and in the cereal products. This paper presents innovative techniques to assess quality in terms of pollution of flour using image analysis and artificial neural networks (ANN).
W czasie procesu technologicznego produkcji mąki, może ona ulec zanieczyszczeniu, co powoduje obniżenie jej jakości. Przed wprowadzeniem produktu do obiegu konsumpcyjnego, mąki poddawane są analizie laboratoryjnej, między innymi pod względem czystości produktu. Analiza ta polega na organoleptycznym określeniu za pomocą zmysłu wzroku ilości zanieczyszczeń w mące i przetworach zbożowych. W artykule przedstawiono innowacyjne techniki oceny jakości pod względem zanieczyszczeń mąki wykorzystujące analizę obrazu oraz sztuczne sieci neuronowe (SSN).
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2014, 59, 1; 121-125
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A CNN based Hybrid approach towards automatic image registration
Hybrydowe podejście do automatycznej rejestracji obrazu z wykorzystaniem komórkowych sieci neuronowych
Autorzy:
Arun, P. V.
Katiyar, S. K.
Powiązania:
https://bibliotekanauki.pl/articles/145296.pdf
Data publikacji:
2013
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
teledetekcja
metody resamplingu
sieć neuronowa komórkowa
analiza obrazu
rejestracja obrazu
cellular neural network (CNN)
image analysis
image registration
resampling
remote sensing
Opis:
Image registration is a key component of various image processing operations which involve the analysis of different image data sets. Automatic image registration domains have witnessed the application of many intelligent methodologies over the past decade; however inability to properly model object shape as well as contextual information had limited the attainable accuracy. In this paper, we propose a framework for accurate feature shape modeling and adaptive resampling using advanced techniques such as Vector Machines, Cellular Neural Network (CNN), SIFT, coreset, and Cellular Automata. CNN has found to be effective in improving feature matching as well as resampling stages of registration and complexity of the approach has been considerably reduced using corset optimization The salient features of this work are cellular neural network approach based SIFT feature point optimisation, adaptive resampling and intelligent object modelling. Developed methodology has been compared with contemporary methods using different statistical measures. Investigations over various satellite images revealed that considerable success was achieved with the approach. System has dynamically used spectral and spatial information for representing contextual knowledge using CNN-prolog approach. Methodology also illustrated to be effective in providing intelligent interpretation and adaptive resampling.
Rejestracja obrazu jest kluczowym składnikiem różnych operacji jego przetwarzania. W ostatnich latach do automatycznej rejestracji obrazu wykorzystuje się metody sztucznej inteligencji, których największą wadą, obniżającą dokładność uzyskanych wyników jest brak możliwości dobrego wymodelowania kształtu i informacji kontekstowych. W niniejszej pracy zaproponowano zasady dokładnego modelowania kształtu oraz adaptacyjnego resamplingu z wykorzystaniem zaawansowanych technik, takich jak Vector Machines (VM), komórkowa sieć neuronowa (CNN), przesiewanie (SIFT), Coreset i automaty komórkowe. Stwierdzono, że za pomocą CNN można skutecznie poprawiać dopasowanie obiektów obrazowych oraz resampling kolejnych kroków rejestracji, zaś zastosowanie optymalizacji metodą Coreset znacznie redukuje złożoność podejścia. Zasadniczym przedmiotem pracy są: optymalizacja punktów metodą SIFT oparta na podejściu CNN, adaptacyjny resampling oraz inteligentne modelowanie obiektów. Opracowana metoda została porównana ze współcześnie stosowanymi metodami wykorzystującymi różne miary statystyczne. Badania nad różnymi obrazami satelitarnymi wykazały, że stosując opracowane podejście osiągnięto bardzo dobre wyniki. System stosując podejście CNN-prolog dynamicznie wykorzystuje informacje spektralne i przestrzenne dla reprezentacji wiedzy kontekstowej. Metoda okazała się również skuteczna w dostarczaniu inteligentnych interpretacji i w adaptacyjnym resamplingu.
Źródło:
Geodesy and Cartography; 2013, 62, 1; 33-49
2080-6736
2300-2581
Pojawia się w:
Geodesy and Cartography
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Automatyczny klasyfikator rodzaju uszkodzenia amortyzatora samochodowego
Automatic classifier of the kind of car shock absorber damage
Autorzy:
Cempiel, D.
Powiązania:
https://bibliotekanauki.pl/articles/133451.pdf
Data publikacji:
2013
Wydawca:
Polskie Towarzystwo Naukowe Silników Spalinowych
Tematy:
diagnozowanie amortyzatorów
metoda EUSAMA
sieć neuronowa
analiza obrazu
automatyczny diagnosta
klasyfikator
shock absorber diagnosis
EUSAMA method
neural network
image analysis
automatic classifier
Opis:
W artykule przedstawiono analizę wpływu czynników zewnętrznych (dodatkowe obciążenie, zmiany ciśnienia w oponach) na wartość wskaźnika EUSAMA. Jednocześnie zaproponowano automatyczną metodę diagnozowania stanu amortyzatorów przy pomocy analizy obrazów z wykorzystaniem sieci neuronowej oceniającej przebieg wartości wskaźnika EUSAMA w czasie. Na potrzeby pracy przygotowano model matematyczny części zawieszenia wraz ze stanowiskiem badawczym opartym o metodę EUSAMA plus. Zamodelowano układ odzwierciedlający dynamikę jednej czwartej zawieszenia pojazdu. Metoda automatycznego diagnozowania stanu amortyzatorów zakłada poprawność przeprowadzonego badania metodą EUSAMA. Uzyskane wyniki spełniły oczekiwania.
The article presents an analysis of the impact of external factors (extra load, tire pressure changes) on the value of the EUSAMA ratio. A method of automatic diagnosis of shock absorbers is proposed. This method is based on image analysis using a neural network appraising the “EUSAMA plus” ratio in the time domain. For the purpose of this paper a mathematical model of quarter of the car suspension with the test stand based on the method EUSAMA was prepared. The method of automatic diagnosis of shock absorbers assumes the correctness of the EUSAMA test. The results met expectations.
Źródło:
Combustion Engines; 2013, 52, 3; 1069-1075
2300-9896
2658-1442
Pojawia się w:
Combustion Engines
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Klasyfikacja suszu pietruszki z wykorzystaniem sztucznych sieci neuronowych
Classification of dried parsnip using artificial neural networks
Autorzy:
Koszela, K.
Powiązania:
https://bibliotekanauki.pl/articles/336411.pdf
Data publikacji:
2012
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
zastosowanie komputerów
analiza obrazów
sztuczna inteligencja
sieci neuronowe
susz pietruszki
computer applications
image analysis
artificial intelligence
neural networks
dried parsnip
Opis:
W ostatnich latach prace naukowo-badawcze realizowane w inżynierii rolniczej coraz częściej wykorzystują nowoczesne narzędzie modelowania, jakim są sztuczne sieci neuronowe. To narzędzie, jako uniwersalny aproksymator, w połączeniu z komputerową analizą obrazów, stosowane jest do tworzenia modeli empirycznych, opisujących zjawiska i procesy występujące w pozyskiwaniu i przetwarzaniu materiałów roślinnych. Szczególną cechą sztucznych sieci neuronowych jest zdolność uogólniania nabytej wiedzy, co jest ważnym aspektem w badaniach na obiektach o dużej liczbie czynników determinujących dany proces. Celem pracy badawczej było opracowanie modelu neuronowego do oceny jakości suszu pietruszki i jego klasyfikacji na podstawie cyfrowych fotografii. Do analizy i klasyfikacji wykorzystano susz pietruszki pozyskany metodą konwekcyjną. Do modelu klasyfikacyjnego wybrano cechy charakterystyczne, które umożliwiały klasyfikację ze względu na jakość suszu. W wyniku przeprowadzonych badań wygenerowano kilka modeli neuronowych, które poddano weryfikacji i walidacji.
In recent years, agricultural engineers working in research have been using modern modeling tools, such as artificial neural networks, with increasing frequency. This tool, as a universal approximator together with computer image analysis is used to create empirical models that describe phenomena and processes involved in extracting and processing plant materials. Artificial neural networks are able to generalize from acquired knowledge, and this is an important feature when analyzing data involving a large range of factors to determine a given process. The objective of this research work was to develop a neural model allowing the assessment of dried parsnip quality and its classification on the basis of digital photos. Obtained by the convection method, the dried parsnip was analysed and classified. Its characterisctic features were chosen, allowing classification according to quality. As the result of the research, a number of generated neural models were verified and validated.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 87-90
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 28

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