Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 10

Sztuczna sieć neuronowa kontra technika algorytmiczna w zadaniu klasyfikacji kształtów

Artificial Neural Network vs. Algorithmic Technique in Shape Classification Task

10.15199/48.2024.10.41

nr katalogowy: 150767
10.15199/48.2024.10.41

Streszczenie

W artykule przedstawiono wyniki badań porównawczych zadania klasyfikacji prostych kształtów. Porównano opracowany model sztucznej sieci neuronowej typu CNN z techniką algorytmiczną dokonującą detekcji krawędzi algorytmem Canny’ego i klasyfikującą obiekty na podstawie liczby i wzajemnego położenia rozpoznanych krawędzi. Do eksperymentów przygotowano zbiór danych składający się z 2162 zdjęć reprezentujących przedmioty o kształtach: prostokąta, koła i trójkąta. Sieć neuronowa uzyskała dokładność klasyfikacji równą 85%, a technika algorytmiczna 77%. Porównanie czasu działania pokazało jednak wyższość techniki algorytmicznej: działała ona 8 razy szybciej. Rozwiązanie może znajdować zastosowania do segregacji obiektów na liniach produkcyjnych i być zaimplementowane na komputerze jednoukładowym.

Abstract

The article presents results of comparative research on the task of classifying simple shapes. The developed model of an artificial neural network of the CNN type was compared with an algorithmic technique that detects edges using the Canny algorithm and classifies objects based on the number and relative position of recognized edges. A data set consisting of 2162 photos representing objects with the shapes of a rectangle, a circle and a triangle was prepared for the experiments. The neural network achieved a classification accuracy of 85% and the algorithmic technique 77%. However, a comparison of the processing time showed the superiority of the algorithmic technique: it worked 8 times faster. The solution can be used for the segregation of objects on production lines and be implemented on a single-chip computer.

Słowa kluczowe

Keywords

Bibliografia

[1] Hankyu M., Optimal Edge-Based Shape Detection, IEEE transactions on image processing, Vol. 11, NO. 11, (2002)
[2] Czechowicz A., Mikrut Z., Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci Neuronowej, Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 17a, (2007)
[3] Dena Nadir G., Hashem B., Brain Tumor Detection Using Shape features and Machine Learning Algorithms, International Journal of Scientific & Engineering Research, Vol. 6, 12, (2015)
[4] Czechowicz A., Mikrut Z., Analiza przydatności algorytmów detekcji krawędzi w zastosowaniach fotogrametrii bliskiego zasięgu, Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 16, (2006)
[5] Kondej M., Putz B., Szybki algorytm dopasowania obrazów dla potrzeb fuzji w czasie rzeczywistym, Pomiary Automatyka Robotyka 11/(2010)
[6] Wahyu S., Perbandingan Metode Sobel, Prewitt, Robert dan Canny pada Deteksi Tepi Objek Bergerak, ILKOM Jurnal, Vol. 12 No. 2, (2020), 112-120
[7] Owotogbe J. S., Ibiyemi T. S., Adu B. A., Edge Detection Techniques on Digital Images - A Review, International Journal of Innovative Science and Research Technology, Vol 4, 11, (2019)
[8] Zacniewski A., Detekcja kodów kreskowych w obrazach za pomocą filtrów gradientowych i transformacji morfologicznych, LOGISTYKA 4, (2015)
[9] Gao W., Zhang X., Yang L., & Liu H., An improved Sobel edge detection, 3rd International Conference on Computer Science and Information Technology, 5, (2010), 67-71
[10] Marleen de Bruijne,, Machine learning approaches in medical image analysis: From detection to diagnosis, Medical Image Analysis, Vol. 33, October (2016), 94-97
[11] Góral P., Pawłowski P., Piniarski K., Dąbrowski, A. Multi-Agent Vision System for Supporting Autonomous Orchard Spraying. Electronics (2024), 13, 494. https://doi.org/10.3390/electronics13030494
[12] Ahmad Z., Shahid Khan A., Nisar K., Haider I., Hassan R., Haque M.R., Tarmizi S., Rodrigues J.J.P.C., Anomaly Detection Using Deep Neural Network for IoT Architecture. Appl. Sci. (2021), 11, 7050
[13] Yoo, Hyeon-Joong, Deep Convolution Neural Networks in Computer Vision: A Review. IEIE Transactions on Smart Processing and Computing. The Institute of Electronics Engineers of Korea, vol. 4, no. 1, (2015)
[14] Marciniak T., Stankiewicz A., Zaradzki P., Neural Networks Application for Accurate Retina Vessel Segmentation from OCT Fundus Reconstruction. Sensors (2023), 23, 1870. https://doi.org/10.3390/s23041870
[15] Giuffrida G., et al., The Φ-Sat-1 Mission: The First On-Board Deep Neural Network Demonstrator for Satellite Earth Observation, in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, (2022), 1-14
[16] Pawłowski P., Piniarski K., Dąbrowski A., Highly Efficient Lossless Coding for High Dynamic Range Red, Clear, Clear, Clear Image Sensors. Sensors (2021), 21, 653. https://doi.org/10.3390/s21020653
[17] Abdul M, Lateef R., Expansion and Implementation of a 3x3 Sobel and Prewitt Edge Detection Filter to a 5x5 Dimension Filter. (2019)
[18] Géron A., Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, O'Reilly Media, (2019)
[19] Ahmed Shihab Ahmed, Comparative study among sobel, prewitt and Canny edge detection operators used in image Processing, Journal of Theoretical and Applied Information Technology, Vol.96. No 19, (2018)
[20]Piniarski K., Pawłowski P., Dąbrowski A., Video Processing Algorithms for Detection of Pedestrians, Comput. Methods Sci. Technol. CMST, vol. 21, no. 3, (2015), 141–150, doi: 10.12921/CMST.2015.21.03.005.
[21] Dokumentacja techniczna biblioteki OpenCV: https://docs.opencv.org/4.x/index.html (dostęp z dnia 11.02.2024)
[22] Dokumentacja techniczna biblioteki TensorFlow: https://www.tensorflow.org/api_docs/python/tf/all_symbols (dostęp z dnia 11.02.2024)
[23] Dokumentacja techniczna biblioteki Keras: https://keras.io/api/ (dostęp z dnia 11.02.2024)
[24] Dokumentacja techniczna biblioteki NumPy: https://numpy.org/doc/ (dostęp z dnia 11.02.2024)
[25] Pettit R., Pettit F., Robert & Cheng, Chao & Amos, Christopher. Artificial intelligence, machine learning, and deep learning for clinical outcome prediction. Emerging Topics in Life Sciences, 5, (2021) doi: 10.1042/ETLS20210246.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-10 , nr katalogowy 150767 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-10 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-10

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma