Temat: rozpoznawanie kształtów - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Metoda fotogrametryczna w śledzeniu zmian położenia obiektów
Photogrammetric method for tracking objects
Autorzy:: Zator, S.
Żłobicki, Ł.
Powiązania:: https://bibliotekanauki.pl/articles/151453.pdf
Data publikacji:: 2011
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:: fotogrametria
analiza obrazu
rozpoznawanie kształtów
photogrammetry
image analysis
shape recognition
Opis:: Przedstawiono wykorzystanie metod stosowanych w fotogrametrii i rozpoznawania kształtów do śledzenia zmian położenia obiektów czy ich geometrii w trybie off-line. Do wyznaczenia współrzędnych znaczników wykorzystano metodę równań kolinearności dla elementów orientacji zewnętrznej zdjęć. Jako markery wykorzystano znaczniki 12-bitowych kodów z programu Photomodeler. Aby rozpoznawanie tych samych punktów na zdjęciach odbywało się automatycznie zaimplementowano algorytm rozpoznawania znaczników. W wersji testowej wykorzystano aparat fotograficzny Canon EOS 30D oraz środowisko LabView.
The paper presents application of the methods from photogrammetry and shape recognition to tracking changes in the position of objects and their geometry in the off-line mode. To determine the coordinates of markers, the collinearity equations method was used for elements of the external orientation of images. The targets of 12-bit codes from the program Photomodeler were used as markers. An automatic recognition algorithm was implemented to identify the same points on the images. The prototype uses a Canon EOS 30D camera and the LabView platform. The algorithms, which record information about the geometry of the markup, recognize them for any angle during the recognition. Three markers whose relative position cannot be changed are used for orientation of the camera. Changes of the location of successive markers are determined on the basis of at least two images. However, to obtain the satisfactorily low measurement uncertainty, it is advisable to perform a series of 4-5 images. For series pair of photos without calibration the difference in the position for the coordinate more or less parallel to the plane of the images does not exceed 19 mm at the distance of about 1.2 m.
Źródło:: Pomiary Automatyka Kontrola; 2011, R. 57, nr 2, 2; 150-152
0032-4140
Pojawia się w:: Pomiary Automatyka Kontrola
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Application of relevance maps in multidimensional classification of coal types
Zastosowanie map odniesienia w wielowymiarowej klasyfikacji typów węgla
Autorzy:: Niedoba, T.
Powiązania:: https://bibliotekanauki.pl/articles/220101.pdf
Data publikacji:: 2015
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:: relevance maps
multidimensional data visualization
coal
identification of data
pattern recognition
mapy odniesienia
wizualizacja wielowymiarowych danych
identyfikacja danych
rozpoznawanie kształtów
Opis:: Multidimensional data visualization methods are a modern tool allowing to classify some analyzed objects. In the case of grained materials e.g. coal, many characteristics have an influence on the material quality. In case of coal, apart from most obvious features like particle size, particle density or ash contents there are many others which cause significant differences between considered types of material. The paper presents the possibility of applying visualization techniques for coal type identification and determination of significant differences between various types of coal. Author decided to apply relevance maps to achieve this purpose. Three types of coal – 31, 34.2 and 35 (according to Polish classification of coal types) were investigated, which were initially screened on sieves and then divided into density fractions. Then, each size-density fraction was chemically analyzed to obtain other characteristics. It was stated that the applied methodology allows to identify certain coal types efficiently and can be used as a qualitative criterion for grained materials. However, it was impossible to achieve such identification comparing all three types of coal together. The presented methodology is new way of analyzing data concerning Widery understood mineral processing.
Surowce mineralne, które podlegają wzbogacaniu w celu ich lepszego wykorzystania mogą być (charakteryzują się) charakteryzowane wieloma wskaźnikami opisującymi ich, interesujące przeróbkarza, cechy. Podstawowymi cechami są wielkość ziaren oraz ich gęstość, które decydują o przebiegu rozdziału zbiorów ziaren (nadaw) i efektach takiego rozdziału. Rozdział prowadzi się z reguły, w celu uzyskania produktów o zróżnicowanych wartościach średnich wybranej cechy, która zwykle charakteryzowana jest zawartością określonego składnika surowca wyznaczoną na drodze analiz chemicznych. Takie podejście do surowca mineralnego prowadzi do potraktowania go jako wielowymiarowego wektora X = [X1,..., Xn]. Zasadniczym problemem jest także wybór jednostki populacji generalnej (ziarno, jednostka objętości lub masy), co może decydować o kierunkach charakteryzowania wielowymiarowych powiązań cech wektora X. Takimi kierunkami charakteryzowania mogą być: – wielowymiarowe rozkłady wektora losowego X wraz ze wszystkimi konsekwencjami metody (Lyman, 1993; Niedoba, 2009; 2011; Olejnik et al., 2010; Niedoba i Surowiak, 2012); – wielowymiarowe równania regresji wraz z analizą macierzy współczynników korelacji liniowej oraz korelacji cząstkowej (Niedoba, 2013b); – analiza czynnikowa (Tumidajski, 1997; Tumidajski and Saramak, 2009); – metody wielowymiarowej wizualizacji danych. W artykule zastosowano nowoczesną metodę wizualizacji wielowymiarowych danych – metodę tzw. map odniesienia (z ang. relevance maps). Aby zastosować ww. metodę przeprowadzono doświadczenia na trzech typach węgla, pobranych z trzech kopalni węgla kamiennego, zlokalizowanych w Górnośląskim Okręgu Przemysłowym. Były to węgle typu 31, 34.2 i 35, według polskiej klasyfikacji węgli. Każdą z pobranych prób poddano rozdziałowi na klasy ziarnowe a następnie każdą z klas ziarnowych rozdzielono na frakcje densymetryczne za pomocą rozdziału w roztworze chlorku cynku. Tak otrzymane klaso-frakcje przebadano chemiczne ze względu na wybrane parametry jakościowe węgla. Były to takie cechy jak: ciepło spalania, zawartość popiołu, zawartość siarki, zawartość substancji lotnych oraz miąższość materiału. Otrzymano w ten sposób zestaw siedmiu danych dla każdej klasy ziarnowej i każdego typu węgla. Stanowił on swoisty siedmiowymiarowy zbiór, który postanowiono zobrazować za pomocą techniki wizualizacji bazującej na tzw. mapach odniesienia. W metodzie map odniesienia na płaszczyźnie służącej do wizualizacji danych zostają rozmieszczone specjalne punkty zwane punktami odniesienia, reprezentujące poszczególne cechy. Do każdej cechy (współrzędnej) zostaje przyporządkowany punkt odniesienia reprezentujący tą cechę. Czyli przy danych 7-wymiarowych umieszczamy na płaszczyźnie 7 takich punktów odniesienia reprezentujących poszczególne współrzędne. Rozkład punktów reprezentujących przedstawiane wielowymiarowe dane odzwierciedla relacje pomiędzy tymi danymi a cechami. Im bardziej i-ta cecha występuje w danym obiekcie (czyli i-ta współrzędna ma większą wartość), tym bliżej powinien leżeć punkt reprezentujący dany obiekt względem punktu odniesienia reprezentującego i-tą cechę (współrzędną). W ten sposób każdy punkt odniesienia reprezentujący daną cechę, dzieli płaszczyznę na obszary bardziej oraz mniej zależne od cechy nr i (mniej oraz bardziej odległe od punktu odniesienia reprezentującego i-tą cechę). Dokładny opis algorytmu przedstawiono w podrozdziale 3 artykułu. Za pomocą omawianej metody dokonano wizualizacji danych dotyczących przedstawionych typów węgla. Uzyskane rezultaty przedstawiono na rysunkach 1-9. Widoki te pokazują sposób, w jaki 7-wymiarowe dane zostają przekształcone przy pomocy mapy odniesienia do dwóch wymiarów. Algorytm wizualizacji przy użyciu mapy odniesienia działa tak by pomimo znacznej redukcji liczby wymiarów, w jak największym stopniu odległości pomiędzy punktem reprezentującym konkretny wektor danych a punktami odniesienia zależały od współrzędnych tego wektora danych. W ten sposób na ekranie 2-wymiarowym, możemy zobaczyć istotne cechy danych 7-wymiarowych. Na rysunkach 1-4 widać, w jaki sposób wzrasta grupowanie punktów reprezentujących trzy różne klasy węgla (31, 34.2 oraz 35) wraz ze wzrostem parametru ITER. Widać, że punkty będące obrazami danych reprezentujących te same klasy węgla zaczynają zajmować osobne podobszary oraz zaczynają się grupować. Jednak w niektórych częściach przestrzeni obrazy punktów reprezentujących różne klasy węgla zachodzą na siebie. Przez to nie możemy na podstawie tych rysunków stwierdzić, że analizowane dane pozwalają na prawidłową klasyfikację typów węgla. W celu uzyskania bardziej czytelnych wyników postanowiono przedstawić przy pomocy mapy odniesienia, te same dane w nieco inny sposób. Postanowiono przeanalizować dane reprezentujące różne typy węgla parami. Rysunek 5 przedstawia widok uzyskany dla danych reprezentujących typy węgla 34.2 oraz 35. Widać na nim czytelnie, że obrazy punktów reprezentujących próbki węgla typu 34.2 gromadzą się w skupiskach, które łatwo można odseparować od skupisk obrazów punktów reprezentujących próbki węgla 35. Podobne obserwacje dokonano na podstawie rysunków 6 i 7, gdzie przedstawiono parami, odpowiednio, węgle typu 31 i 34.2 oraz 31 i 35. Przeprowadzona wizualizacja wielowymiarowa przy użyciu map odniesienia pozwala więc stwierdzić, że informacje zawarte w analizowanych siedmiowymiarowych danych są wystarczające do prawidłowej klasyfikacji typów węgla 31, 34.2 oraz 35.
Źródło:: Archives of Mining Sciences; 2015, 60, 1; 93-106
0860-7001
Pojawia się w:: Archives of Mining Sciences
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "rozpoznawanie kształtów" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język