Zadanie 3: Liczenie winogron



Podobne dokumenty
Analiza i przetwarzanie obrazo w

Zadanie 1: Piętnastka - uzupełnienie

Zadanie 1: Piętnastka

Analiza i przetwarzanie obrazów

Implementacja filtru Canny ego

Algorytm grupowania danych typu kwantyzacji wektorów

Wykrywanie twarzy na zdjęciach przy pomocy kaskad

Algorytm SAT. Marek Zając Zabrania się rozpowszechniania całości lub fragmentów niniejszego tekstu bez podania nazwiska jego autora.

Sztuczna inteligencja i inżynieria wiedzy. laboratorium

Metody systemowe i decyzyjne w informatyce

Projekt Zaprogramować działanie robota w narzędziu USARSim

Wyznaczenie długości fali świetlnej metodą pierścieni Newtona

1. Tilt-shift. TEMAT PROJEKTU Tilt-shift - aplikacja na system mobilny ios

REFERAT PRACY DYPLOMOWEJ Temat pracy: SUDOKU - Algorytmy tworzenia i rozwiązywania

Instrukcja użytkowania modułu Rzeźba terenu

Kolory - plan treningowy. Maluj, połącz i ucz się poprzez zabawę.

Odciski palców ekstrakcja cech

Bitmapy - format i zastosowanie. Podstawowy format plików bitmapowych, dogodność zastosowania bitmap w prostych animacjach 2D.

Metody eksploracji danych w odkrywaniu wiedzy (MED) projekt, dokumentacja końcowa

QGIS CASE: POŁĄCZENIE DWÓCH TOROWISK W JEDNO GEOALGORYTMY V.VORONOI.SKELETON, V.TO.RAST.VALUE, R.THIN, R.TO.VECT

Waterfall model. (iteracyjny model kaskadowy) Marcin Wilk

2 INSTALACJA OPROGRAMOWANIA. 3 3 GŁÓWNE OKNO PROGRAMU 3 4 MODUŁ OBSŁUGI ARCHIWUM 7

Klasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,

1 Opis interfejsu użytkownika

Optymalizacja. Przeszukiwanie lokalne

KAMPANIA W MEDIACH SPOŁECZNOŚCIOWYCH (NP. PROMOCJA MARKI / PRODUKTU)

PRZEWODNIK PO PRZEDMIOCIE

Analiza trendu. Rodzaj trendu zależy od kierunku, w którym porusza się cena. Istnieją 3 kierunki trendów:

KSIĘGA JAKOŚCI 8. POMIARY, ANALIZA, DOSKONALENIE

Teoria do zajęć została opracowana na podstawie materiałów pochodzących ze strony internetowej mgra Krzysztofa Misztala:

Projekt Sieci neuronowe

Rozpoznawanie obrazów

Miejsce na naklejkę z kodem. (Wpisuje zdający przed rozpoczęciem pracy) 21 grudzień Instrukcja dla zdającego PESEL ZDAJĄCEGO

Laboratorium podstaw elektroniki

Zakres aktualizacji i opieki technicznej oprogramowania GeoMelio wraz z platformą GeoMedia:

Elementy modelowania matematycznego

Liczba zadań a rzetelność testu na przykładzie testów biegłości językowej z języka angielskiego

STABILIZATOR NAPIĘCIA

Techniki uczenia maszynowego nazwa przedmiotu SYLABUS

POBR Projekt. 1 Cel projektu. 2 Realizacja. 3 Zastosowany algorytm. Celem projektu było rozpoznanie logo firmy Sun Microsystems.

Naiwny klasyfikator Bayesa brał pod uwagę jedynie najbliższe otoczenie. Lecz czym jest otoczenie? Jak je zdefiniować?

Instrukcja składania wniosku o dofinansowanie w systemie informatycznym IP na potrzeby konkursu nr 1/1.1.1/2016

ALBUM ZDJĘĆ. Wypadek nr: 269/06 samolot Piper PA T Seneca III; D-GEPA 4 września 2006 r. Gałków Mały k. Koluszek

ZARZĄDZANIE PROJEKTAMI I PROCESAMI. Mapowanie procesów AUTOR: ADAM KOLIŃSKI ZARZĄDZANIE PROJEKTAMI I PROCESAMI. Mapowanie procesów


Tworzenie prezentacji, PowerPoint

Matematyka dyskretna

Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych

Moderacja zdjęć. pokazywać tylko użytkownika bez towarzystwa innych osób, nie pokazywać intymnych części ciała oraz obscenicznych scen.

KARTA PRZEDMIOTU. 1. Informacje ogólne. 2. Ogólna charakterystyka przedmiotu. Inżynieria oprogramowania, C12

Dokumentacja projektu QUAIKE Architektura oprogramowania

Algorytmy sztucznej inteligencji

Opis metody pracy Komisji podczas Kwalifikacji TestingCup 2017

2. Arytmetyka procesorów 16-bitowych stałoprzecinkowych

Zadania zamknięte. Numer zadania

Praca dyplomowa. Program do monitorowania i diagnostyki działania sieci CAN. Temat pracy: Temat Gdańsk Autor: Łukasz Olejarz

Metody Optymalizacji: Przeszukiwanie z listą tabu

AUTOMATYKA I STEROWANIE W CHŁODNICTWIE, KLIMATYZACJI I OGRZEWNICTWIE L1 BUDOWA TERMOSTATU ELEKTRONICZNEGO

INTEGRACJA z OLX. Aplikacja Shoper - Dokumentacja. Lęborska 8/10/ Warszawa.

Aplikacje webowe w obliczu ataków internetowych na przykładzie CodeIgniter Framework

PODSTAWY PROGRAMOWANIA STRUKTURALNEGO (C) SYLABUS A. Informacje ogólne

Analiza obrazu. wykład 3. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

ALGORYTMY SZTUCZNEJ INTELIGENCJI

Wielowymiarowa analiza regionalnego zróżnicowania rolnictwa w Polsce

PROJEKTOWANIE. kodowanie implementacja. PROJEKT most pomiędzy specyfikowaniem a kodowaniem

Agnieszka Nowak Brzezińska Wykład III

WYMAGANIA EDUKACYJNE JĘZYK HISZPAŃSKI II. LICEUM OGÓLNOKSZTAŁCĄCE IM. TADEUSZA KOŚCIUSZKI W KALISZU

Podstawy obsługi aplikacji Generator Wniosków Płatniczych

Referat pracy dyplomowej

Przewodnik po module CERTO REJESTR (v2)

Wartość upadku# Kurs dla studenta# Moduł 2: Czym jest upadek#

I. KARTA PRZEDMIOTU CEL PRZEDMIOTU

WYKŁAD 12. Analiza obrazu Wyznaczanie parametrów ruchu obiektów

8. Neuron z ciągłą funkcją aktywacji.

E-I2G-2008-s1. Informatyka II stopień (I stopień / II stopień) Ogólnoakademicki (ogólno akademicki / praktyczny)

Streszczenie Programu ochrony powietrza dla strefy miasto Zielona Góra ze względu na przekroczenie wartości docelowej benzo(a)pirenu w pyle PM10

Zadanie 1: Protokół ślepych podpisów cyfrowych w oparciu o algorytm RSA

Moduł Polubić matematykę

Wykład z Podstaw Informatyki dla I roku BO. Piotr Mika

PRZEWODNIK PO PRZEDMIOCIE

Agnieszka Nowak Brzezińska Wykład III

Uczenie się pojedynczego neuronu. Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z<0 y=1 gdy z>=0. Wówczas: W 1 x 1 + w 2 x 2 + = 0

koordynator modułu dr hab. Michał Baczyński rok akademicki 2012/2013

AKADEMIA GÓRNICZO-HUTNICZA

Zastosowanie stereowizji do śledzenia trajektorii obiektów w przestrzeni 3D

Przygotowanie materiału uczącego dla OCR w oparciu o aplikację Wycinanki.

XII WOJEWÓDZKI KONKURS MATEMATYCZNY DLA UCZNIÓW GIMNAZJÓW

Wykaz tematów prac dyplomowych w roku akademickim 2014/2015 kierunek: informatyka (studia niestacjonarne)

Szczegółowy opis oceny osiągnięć ucznia.

ZAMÓWIENIE. Komentarz zamawiającego: Proszę o przetestowanie aplikacji w najnowszej wersji Mozilli Firefox

Załącznik nr 4 do WZ. Zakres aktualizacji i opieki technicznej oprogramowania GeoMelio wraz z z platformą GeoMedia: 1 / 5

Różniczkowe prawo Gaussa i co z niego wynika...

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.

P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H

Klasyfikacja LDA + walidacja

Recenzja rozprawy doktorskiej mgr Pradeep Kumar pt. The Determinants of Foreign

Rozpoznawanie płci na podstawie zdjęć twarzy

Etapy życia oprogramowania

Przybliżone algorytmy analizy ekspresji genów.

Opis. Wymagania wstępne (tzw. sekwencyjny system zajęć i egzaminów) Liczba godzin zajęć dydaktycznych z podziałem na formy prowadzenia zajęć

Transkrypt:

Informatyka, studia dzienne, II st. semestr II Rozpoznawanie obrazów 2012/2013 Prowadzący: dr inż. Bartłomiej Stasiak czwartek, 8:30 Data oddania: Ocena: Andrzej Stasiak 178736 Grzegorz Graczyk 178717 Zadanie 3: Liczenie winogron 1. Cel Celem zadania jest stworzenie metody pozwalającej policzyć winogrona znajdujące się na obrazie. Ponadto na obrazie znajdują się winogrona w dwóch kolorach, które należy policzyć osobno. 2. Algorytm Zastosowany algorytm składa się z kilku faz. Pierwszą fazą jest przygotowanie obrazu do odnajdywania obiektów. Wybrany kanał obrazu, niebieski, jest poddawany progowaniu. Następnie następuje usunięcie rozbłysków zdefiniowanych jako małe, białe obszary. Właściwa metoda to iteracyjne pomniejszanie czarnych obszarów i zapamiętywanie punktów w których czarny obszar zanika. Ponieważ obiekty są dość nierówne należy usunąć punkty leżące bardzo blisko siebie. Ostatnią fazą jest klasyfikacja znalezionego winogrona. Następuje ona w oparciu o średnią wartość kanału zielonego na pierścieniu wokoło punktu. 3. Opis implementacji Implementacja została stworzaplikacja została napisana bez użycia żadnej biblioteki wczytującej bądź przetwarzającej obrazy. Uruchomienie aplikacji powoduje wygenerowanie wyniku dla 15 z góry ustalonych plików. 1

4. Wyniki 4.1. Ocena wzrokowa Najefektywniejszą formą oceny tego zadania jest ocena na oko. Pozwala ona wyłapać wszystkie błędy oraz znaleźć potencjalną przyczynę. W przypadku 1. widoczny jest jeden błąd w klasyfikacji Przypadek 2. został rozpoznany w pełni poprawnie Przypadek 3. został rozpoznany w pełni poprawnie Przypadek 4. został rozpoznany w pełni poprawnie 2

Przypadek 5. został rozpoznany w pełni poprawnie Przypadek 6. został rozpoznany w pełni poprawnie W przypadku 7. widoczne są dwa błędy klasyfikacji. Widać również, że przy użytym zestawie cech klasy nie są liniowo separowalne Przypadek 8. został rozpoznany w pełni poprawnie 3

W przypadku 9. widoczny jest pięć błędów w klasyfikacji. Widoczne jest również jedno winogrono, które nie zostało odnalezione - jest jednak widoczny jedynie jego bardzo mały fragment W przypadku 10. widoczny jest jeden błąd w klasyfikacji. Nie zostało również odnalezione jedno winogrono, które nie zostało odnalezione ze względu na małą odległość od innych pomyloną z przebłyskiem W przypadku 11. widoczne jest jedno nadmiarowe winogrono powstałe za sprawą częściowego ucięcia połączonego z ustawieniem prostopadłym do krawędzi obrazu. Ponadto jedno z winogron za sprawą przebłysku uległo znacznemu przesunięciu W przypadku 12. widoczny jest brak dwóch winogron oraz istotne przesunięcie jednego 4

W przypadku 13. widocznych jest sześć nadmiarowych winogron oraz dziesięć błędów klasyfikacji. Większość z nich wydaje się pochodzić z dużego zbliżenia tego obrazu, czyli większych rozbłysków oraz samych winogron W przypadku 14. widocznyjest jedynie brak jednego, bardzo małego winogrona W przypadku 15. widocznyjest jedynie brak jednego, bardzo małego winogrona 4.2. Ocena ilościowa Odnalezione winogrona: 5

Statystyki: Zielonych Filoetowych 1 19 22 2 16 25 3 19 23 4 23 25 5 22 5 6 11 9 7 20 23 8 23 24 9 21 16 10 22 14 11 14 16 12 30 28 13 41 21 14 22 24 15 25 24 Znalezione zielone winogrona 328 Znalezione fioletowe winogrona 186 Znalezione winogrona 514 Zielone sklasyfikowane jako fioletowe 3 Fioletowe sklasyfikowane jako zielone 16 Nieodnalezione winogrona 3 Nieodnalezione pomijalnie małe winogrona 3 Nadmiarowe winogrona 7 Skuteczność odnajdywania 98.1% Skuteczność klasyfikacji 96.3% Łącznie błędów 29 5. Wnioski Osiągnięte wysokie wyniki pokazują, że zaimplementowana metoda jest skuteczna. Możliwość wskazania przyczyn błędów sugeruje, że poprawienie tych wyników jest możliwe. Z drugiej strony, ilość błędów na 13. obrazku sugeruje małą odporność programu na zmieniające się cechy obrazów. Czyni to przygotowany algorytm przydatny jedynie do bardzo podobnych zdjęć, a także może wymagać istotnych usprawnień przy niewielkim przedefiniowaniu problemu. 6