Publikace detail

Robust Grape Detector Based on SVMs and HOG Features

Autoři: Škrabánek Pavel | Doležel Petr

Rok: 2017

Druh publikace: článek v odborném periodiku

Název zdroje: Computational Intelligence and Neuroscience

Strana od-do: 1-17

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Robustní detektor hroznů založený na SVMs a HOG příznacích	Detekce hroznů v reálném obraze je významný problém, který je řešen mnoha výzkumníky v oblasti precizního vinohradnictví. V případě detekce hroznů bílých odrůd se osvědčilo použití HOG descriptorů v kombinaci s SVMs klasifikátory. Detektory založené na těchto technikách vykazují skvělí poměr časová náročnost vs. přesnost. Jak je ukázáno v tomto článku, jejich přesnost lze ještě zvýšit vhodným předzpracováním vstupních dat. Za tímto účelem jsme zkoumali možnosti, které nabízí konverze vstupních dat z RGB modelu do stupnice šedi. S ohledem na zvolenou metodu konverze jsme navrhly novou techniku nastavení parametrů detektoru. Tato technika očekává aktivní zapojení experta. K posouzení vhodnosti nastavení metody konverze jsme vyvinuly novou vizualizační metodu. Pro potřeby evaluace a nastavení parametrů jsme vytvořili nové datové sady. Jak ukazují získané výsledky, takto upravený a nastavený detektor je méně citlivý na případné zkreslení obrazu.	počítačové vidění, rozpoznání obrazu, převod do stupnice šedi, HOG příznaky, SVM klasifikátor, zemědělská technika
eng	Robust Grape Detector Based on SVMs and HOG Features	Detection of grapes in real-life images is a serious task solved by researchers dealing with precision viticulture. In the case of white wine varieties, grape detectors based on SVMs classifiers, in combination with a HOG descriptor, have proven to be very efficient. Simplified versions of the detectors seem to be the best solution for practical applications. They offer the best known performance vs. time-complexity ratio. As our research showed, a conversion of RGB images to grayscale format, which is implemented at an image pre-processing level, is ideal means for further improvement of performance of the detectors. In order to enhance the ratio, we explored relevance of the conversion in a context of a detector potential sensitivity to a rotation of berries. For this purpose, we proposed a modification of the conversion, and we designed an appropriate method for a tuning of such modified detectors. To evaluate the effect of the new parameter space on their performance, we developed a specialized visualization method. In order to provide accurate results, we formed new datasets both for tuning and evaluation of the detectors. Our effort resulted in a robust grape detector which is less sensitive to image distortion.	computer vision; image recognition; conversion to grayscale; HOG features; SVM classifier; agricultural machinery

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte