As the aim is to monitor and contro

As the aim is to monitor and control the color changing process
of a roasting chicken in the Combi Oven, the extraction of the precise
chicken area has to be solved via segmentation. Generally,
extracting an object from a given image is an easy task as it is an
object edge detection problem which has been investigated extensively
(Purlis, 2010; Dong and Hu, 2011). However, the results of
conventional extraction approaches were unsatisfactory in this
case because the size of a chicken was changing slightly in the
roasting process and the background is also disturbed by vapor
and splashing residues in the roasting process due to changes of
temperature and humidity. Therefore, in our study, the Gaussian
Average method based on the background subtractions
(Massimo, 2005) is used as an auxiliary tool to obtain a rectangular
mask and this mask is used as an initial condition at first frame for
creating a sub-image for the proposed segmentation approach.
This mask is marked as a sub-image in all subsequent frames,
tightly wrapped against the food in video processing in order to
reduce the computing cost in segmentation.
And then, a new level set based approach is proposed
for extracting the chicken area in this paper. In recent years,



segmentation approaches based on level set for objects with natural
boundary (Chan and Vese, 2001; Li et al., 2007) had intensively
been investigated and applied in surveillance (Siddiqi et al., 2011)
and medical images (Andy et al., 2003), but rarely used in the field
of food processing. Among them, the classical Chan–Vese (CV)
model was found to be capable of quickly processing images of
intensity homogeneity without using the gradient information
(Chan and Vese, 2001), while it wasn’t satisfactory for inhomogeneity
ones. On the other hand, the local binary fitting energy
(LBF) model was found to be able to segment the images with
intensity inhomogeneity (Li et al., 2007), while it was expensive
in terms of computation cost due to evolving iterations. In this
paper, we first propose a novel LBF model (NLBF) by adding a contrast
item in LBF and then an adaptive balanced level set evolution
(ABLSE) approach is proposed for extracting chicken area in the
changing process with an aim to use all the advantages of the previous
two approaches. Theoretically, the proposed energy function
mainly consists of the CV energy term and the NLBF energy term as
given below.

ผลลัพธ์ (ไทย) 1:

เป็นจุดมุ่งหมายเพื่อ ตรวจสอบ และควบคุมสีเปลี่ยนกระบวนการไก่คั่วในเตาอบชุด สกัดแม่นยำตั้งไก่มีการแก้ไขได้ ด้วยการแบ่งส่วน โดยทั่วไปแยกวัตถุจากภาพกำหนดให้เป็นอย่างละเอียดมันเป็นการปัญหาการตรวจจับขอบวัตถุซึ่งได้รับการตรวจสอบอย่างกว้างขวาง(Purlis, 2010 ดง และ Hu, 2011) อย่างไรก็ตาม ผลลัพธ์ของวิธีการสกัดแบบเดิมได้น่าพอใจในที่นี้กรณีเนื่องจากขนาดของไก่มีการเปลี่ยนแปลงเล็กน้อยในการยังมีรบกวนการผลิตกระบวนการและพื้นหลัง โดยไอและกระเซ็นตกค้างในกระบวนการคั่วจากการเปลี่ยนแปลงของอุณหภูมิและความชื้น ดังนั้น ในเรื่องการเรียน การนที่วิธีเฉลี่ยตามลบพื้นหลัง(Massimo, 2005) ถูกใช้เป็นเครื่องมือเสริมเพื่อรับสี่เหลี่ยมหน้ากากและหน้ากากนี้จะใช้เป็นเงื่อนไขการเริ่มต้นที่เฟรมแรกการสร้างรูปแบบย่อยสำหรับวิธีการแบ่งกลุ่มนำเสนอหน้ากากนี้ถูกทำเครื่องหมายเป็นภาพย่อยในกรอบภายหลังทั้งหมดแน่นห่อกับอาหารเพื่อให้การประมวลผลวิดีโอลดต้นทุนด้านการใช้คอมพิวเตอร์ในการแบ่งส่วนแล้ว เสนอแนวทางใหม่ตามระดับที่กำหนดสำหรับการแยกพื้นที่ไก่ในเอกสารนี้ ในปีล่าสุดวิธีแบ่งกลุ่มตามระดับที่ตั้งค่าสำหรับวัตถุธรรมชาติขอบเขต (จันทร์และ Vese, 2001 Li et al. 2007) ได้อย่างการตรวจสอบ และนำไปใช้ในการเฝ้าระวัง (Siddiqi et al. 2011)และทางการแพทย์ (Andy และ al. 2003), แต่ไม่ค่อยใช้ในฟิลด์การแปรรูปอาหาร ในหมู่พวกเขา จันทร์ – Vese คลาสสิก (CV)พบรูปแบบจะสามารถประมวลผลภาพอย่างรวดเร็วความเข้มของรอยโดยไม่ต้องใช้ข้อมูลการไล่ระดับสี(จันทร์และ Vese, 2001), ในขณะที่ไม่พอใจสำหรับ inhomogeneityคน บนมืออื่น ๆ ไบนารีเฉพาะอุปกรณ์พลังงานรุ่น (LBF) พบว่าสามารถแบ่งส่วนภาพที่มีความเข้ม inhomogeneity (Li et al. 2007), ในขณะที่มันมีราคาแพงในแง่ของต้นทุนการคำนวณเนื่องจากพัฒนาซ้ำ ในที่นี้กระดาษ แรกเราเสนอแบบ LBF นวนิยาย (NLBF) โดยการเพิ่มความคมชัดรายการใน LBF แล้วอยู่ในระดับสมดุลปรับตั้งวิวัฒนาการมีเสนอวิธีการ (ABLSE) สำหรับการแยกพื้นที่ไก่ในการกระบวนการเปลี่ยนแปลงกับการใช้แบบเดิมสองวิธี ในทางทฤษฎี ฟังก์ชันพลังงานเสนอส่วนใหญ่ประกอบด้วยคำพลังงาน CV และคำพลังงาน NLBF เป็นระบุด้านล่าง

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นจุดมุ่งหมายคือการตรวจสอบและควบคุมกระบวนการเปลี่ยนสี
ของไก่ย่างในเตาอบ Combi, สกัดแม่นยำ
พื้นที่ไก่จะต้องมีการแก้ไขผ่านการแบ่งส่วน โดยทั่วไปแล้ว
การแยกวัตถุจากภาพที่ได้รับเป็นงานที่ง่ายอย่างที่มันเป็น
ปัญหาการตรวจจับขอบวัตถุที่ได้รับการตรวจสอบอย่างกว้างขวาง
(Purlis 2010; ดงและ Hu 2011) อย่างไรก็ตามผลของ
วิธีการสกัดการชุมนุมเป็นที่น่าพอใจในเรื่องนี้
กรณีเพราะขนาดของไก่ที่มีการเปลี่ยนแปลงเล็กน้อยใน
กระบวนการคั่วและพื้นหลังยังถูกรบกวนด้วยไอ
และสาดตกค้างในกระบวนการคั่วเนื่องจากมีการเปลี่ยนแปลงของ
อุณหภูมิและความชื้น ดังนั้นในการศึกษาของเราเสียน
วิธีถัวเฉลี่ยอยู่บนพื้นฐานของ subtractions พื้นหลัง
(Massimo 2005) ถูกนำมาใช้เป็นเครื่องมือที่ช่วยให้ได้สี่เหลี่ยม
หน้ากากและหน้ากากนี้จะถูกใช้เป็นเงื่อนไขเบื้องต้นที่เฟรมแรกสำหรับ
การสร้างย่อยภาพ วิธีการแบ่งส่วนที่นำเสนอ.
หน้ากากนี้ถูกทำเครื่องหมายเป็นย่อยภาพในกรอบที่ตามมาทั้งหมด
ห่อแน่นกับอาหารในการประมวลผลวิดีโอเพื่อที่จะ
ลดค่าใช้จ่ายการใช้คอมพิวเตอร์ในการแบ่งส่วน.
แล้ววิธีการตั้งค่าระดับใหม่ตามการเสนอ
สำหรับการสกัด พื้นที่ไก่ในบทความนี้ ในปีที่ผ่านมาการแบ่งส่วนวิธีการขึ้นอยู่กับชุดระดับวัตถุที่มีธรรมชาติเขตแดน (จันและ Vese 2001. Li et al, 2007) ได้อย่างหนาแน่นรับการตรวจสอบและนำไปใช้ในการเฝ้าระวัง (Siddiqi et al, 2011.) และภาพทางการแพทย์ (แอนดี้ et al., 2003) แต่ไม่ค่อยได้ใช้ในสนามของการแปรรูปอาหาร ในหมู่พวกเขาคลาสสิกจัน Vese (CV) รุ่นถูกพบว่าเป็นความสามารถในการประมวลผลภาพได้อย่างรวดเร็วของความเข้มเป็นเนื้อเดียวกันโดยไม่ต้องใช้ข้อมูลการไล่ระดับสี(จันและ Vese, 2001) ในขณะที่มันไม่ได้เป็นที่น่าพอใจสำหรับ inhomogeneity คน บนมืออื่น ๆ , ไบนารีพลังงานที่เหมาะสมในท้องถิ่น(ปอนด์) รุ่นที่พบว่าสามารถส่วนภาพที่มีความเข้ม inhomogeneity (Li et al., 2007) ในขณะที่มันมีราคาแพงในแง่ของค่าใช้จ่ายในการคำนวณเนื่องจากซ้ำพัฒนา ในการนี้กระดาษครั้งแรกที่เรานำเสนอรูปแบบนวนิยายปอนด์ (NLBF) โดยการเพิ่มความคมชัดของรายการในปอนด์และแล้วการปรับตัวในระดับที่สมดุลตั้งวิวัฒนาการ(ABLSE) วิธีการที่จะเสนอสำหรับการแยกพื้นที่ไก่ในกระบวนการการเปลี่ยนแปลงโดยมีจุดมุ่งหมายที่จะใช้ทั้งหมด ข้อดีของการที่ก่อนหน้านี้ทั้งสองวิธี ในทางทฤษฎีฟังก์ชั่นการใช้พลังงานที่นำเสนอส่วนใหญ่ประกอบด้วยระยะพลังงาน CV และระยะพลังงาน NLBF เป็นได้รับด้านล่าง

ผลลัพธ์ (ไทย) 3:

โดยมีจุดมุ่งหมายเพื่อตรวจสอบและควบคุมกระบวนการเปลี่ยนสีของไก่ย่างใน Combi เตาอบ , การสกัดของความแม่นยำไก่ต้องผ่านพื้นที่การแก้ไข . โดยทั่วไปการแยกวัตถุจากที่กําหนดภาพเป็นงานง่าย มันคือการตรวจหาขอบวัตถุ ปัญหาที่ถูกศึกษาอย่างกว้างขวาง( purlis , 2010 ; ดงโฮ , 2011 ) อย่างไรก็ตาม ผลของวิธีการสกัดแบบเป็นที่น่าพอใจ ในนี้คดี เพราะขนาดของไก่มีการเปลี่ยนแปลงเล็กน้อยในขั้นตอนการคั่วและพื้นหลังยังถูกรบกวนจากไอและเล่นน้ำที่ตกค้างในขั้นตอนการคั่วเนื่องจากการเปลี่ยนแปลงของอุณหภูมิและความชื้น ดังนั้นในการศึกษาของเรา เสียนวิธีเฉลี่ยขึ้นอยู่กับพื้นหลังลบ( Massimo , 2005 ) ที่ใช้เป็นเครื่องมือช่วยในการขอรับสี่เหลี่ยมผืนผ้าหน้ากากหน้ากากนี้ถูกใช้เป็นเงื่อนไขเริ่มต้นที่เฟรมแรกการสร้างรูปภาพสำหรับการแบ่งส่วนย่อยเสนอแนวทางหน้ากากนี้มีการทำเครื่องหมายเป็นซับ ภาพในเฟรมที่ตามมาทั้งหมดพันแน่นกับอาหารในการประมวลผลวิดีโอเพื่อลดต้นทุนการใช้คอมพิวเตอร์ในการแบ่งส่วนตลาด .แล้วระดับชุดใหม่ตามแนวทางที่เสนอสำหรับการแยกพื้นที่ไก่ในกระดาษนี้ ใน ปี ล่าสุดวิธีการแบ่งตามระดับการตั้งค่าสำหรับวัตถุธรรมชาติขอบเขต ( ชาน และ vese , 2001 ; Li et al . , 2007 ) และการตรวจสอบและใช้ในการเฝ้าระวัง ( อีม ซิดดิจิ et al . , 2011 )และภาพทางการแพทย์ ( แอนดี้ et al . , 2003 ) แต่ไม่ค่อยใช้ในฟิลด์ในการประมวลผลอาหาร ในหมู่พวกเขา ชาน vese ( CV ) และคลาสสิกแบบจำลองพบว่าสามารถประมวลผลภาพได้อย่างรวดเร็วค่าความเข้มโดยไม่ต้องใช้ข้อมูลการไล่ระดับสี( ชานและ vese , 2001 ) , ในขณะที่มันไม่น่าพอใจสำหรับความไม่สม่ําเสมอคน บนมืออื่น ๆ , ไบนารีที่เหมาะสมพลังงานท้องถิ่น( lbf ) รุ่นที่พบได้ ส่วนภาพกับความเข้มความไม่สม่ําเสมอ ( Li et al . , 2007 ) , ในขณะที่มันแพงในแง่ของค่าใช้จ่ายเนื่องจากการพัฒนาการทำซ้ำการคำนวณได้ ในนี้กระดาษ , แรกที่เรานำเสนอรูปแบบ lbf นวนิยาย ( nlbf ) โดยการเพิ่มความคมชัดรายการใน lbf และจากนั้นการตั้งค่าระดับการวิวัฒนาการที่สมดุล( ablse ) วิธีการเสนอแยกไก่ พื้นที่ในกระบวนการเปลี่ยนแปลงด้วยจุดมุ่งหมายที่จะใช้ประโยชน์ทั้งหมดของก่อนหน้านี้สองวิธี ทฤษฎีของฟังก์ชันพลังงานเสนอประกอบด้วยส่วนใหญ่ของ CV พลังงานระยะยาวและ nlbf พลังงานระยะที่ระบุด้านล่างนี้