Publikace detail

Detection of grapes in natural environment using support vector machine classifier

Autoři: Škrabánek Pavel | Runarsson Thomas Philip

Rok: 2015

Druh publikace: článek ve sborníku

Název zdroje: Mendel 2015: 21st International Conference on Soft Computing

Název nakladatele: Vysoké učení technické v Brně

Místo vydání: Brno

Strana od-do: 143-150

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Detekce hroznového vína v reálných podmínkách s využitím SVM klasifikátoru	V článku jsou představeny čtyři detektory hroznového vína v reálných fotkách. Tyto detektory jsou založeny na Suppor Vector Machine (SVM) klasifikátoru. Detektory využívají různých deskriptorů (intenzita pixelů v černobílém obraze a Histogram Orientovaných Gradientů (HOG)) a různých jádrových funkcí (lineární a Gaussova). Detektory založené na HOG deskriptoru vykazují při křížové validaci velmi vysokou přesnost a to 98,23% pro lineární jádrovou funkci a 98,96% pro Gausovu. Ostatní metriky rovněž vykazují při křížové validaci vysoké hodnoty. Detektory byly ohodnoceny i s využitím specializovaných testovacích sad a aplikovány na výřezy reálné fotografie. I v těchto případech s velmi dobrými výsledky. Představené řešení nevyžaduje umělé osvětlení.	detekce hroznového vína, precizní vinohradnictví, reálný obraz, zpracování obrazu, support vector machines
eng	Detection of grapes in natural environment using support vector machine classifier	The detection of grapes in real scene images is a serious task solved by researches dealing with precision viticulture. The detection of wine grapes of red varieties is a well mastered problem; however, the detection of white varieties still poses challenges. In this paper, four detectors for white wine grapes detection are introduced and evaluated. The detectors are based on support vector machines and they differ in kernels and features used for image representation. Namely, the pixel intensities and histogram of oriented gradients (HOG) are used for the representation of images. Radial basis functions and linear kernels are applied. The detectors based on the HOG feature have proven to be very efficient. Their average recognition accuracy by cross-validation was 98.23% and 98.96%, respectively. Furthermore, they show very good performance for other cross-validation metrics. Their average precision is 0.978 and 0.985, respectively; their average recall is 0.987 and 0.994, respectively. The detectors were also verified on test sets with positive samples affected by rotation distortion, and moreover on image sections of a real scene photo, in both cases with good results. Moreover, the detectors do not require any artificial lighting and they can work under different light conditions.	grape detection, precision viticulture, real scene images, image processing, support vector machines

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte