rear-triangle angle. What’s more, t

rear-triangle angle. What’s more, they divided the fish into twoparts, which was a significant step in obtaining high accuracy offish classification. With 350 fish images for training and 150 fortesting, the neural network classification obtained an overall train-ing accuracy equal to 89% and an overall testing accuracy equal to86%. It was also said that the feature selection methodology couldsuccessfully improve the performance of fish classification systems.Table 1 summarized the typical machine vision settings for dif-ferent working conditions, including camera and illumination.3.2. ShrimpShrimp is one of the main seafood for consumers, whose qualitydetection practice mainly involves weighting, counting, and calcu-lating the count and uniformity ratio by trained inspectors. Shrimpis perishable, manual measurements may lead to problems like bac-terial and chemical contamination (Pan et al., 2009). Alternatively,quality evaluation of shrimp could be completed automaticallyby machine vision. Size measurement methods of shrimp weredescribed in this section.Harbitz (2007) tried to assess the ability of an image analysistechnique to estimate automatically the carapace length of shrimp(Pandalus borealis). First carapace length, pixel area, and weightwere measured by operators. A high-resolution still image cam-era to produce color images of 285 shrimp. After segmentation ofeach individual shrimp by intensity thresholding, a linear model ona log–log scale of length in relation to pixel area yielded a precisionof 0.43 mm. As a result, the length frequency distributions basedon manual and imaging techniques were similar. And the centralprocessing unit time spent by the image analysis program was

ผลลัพธ์ (ไทย) 1:

มุมสามเหลี่ยมด้านหลัง มากขึ้นอะไร จะแบ่งปลา twoparts ซึ่งเป็นขั้นตอนสำคัญในการรับการจัดประเภท offish ความแม่นยำสูง กับภาพปลา 350 fortesting 150 และฝึกอบรม การจัดประเภทของเครือข่ายประสาทรับรถไฟ-ing แม่นยำโดยรวมเท่ากับ 89% และการรวมทดสอบความแม่นยำเท่ากับ to86% มันก็บอกว่า couldsuccessfully วิธีเลือกคุณลักษณะการปรับปรุงประสิทธิภาพของระบบจัดประเภทปลา ตารางที่ 1 สรุปการตั้งค่าวิสัยทัศน์เครื่องทั่วไปสำหรับ dif ferent เงื่อน กล้องและ illumination.3.2 ShrimpShrimp เป็นหนึ่งในอาหารหลักสำหรับผู้บริโภค การปฏิบัติ qualitydetection ซึ่งส่วนใหญ่เกี่ยวข้องกับน้ำหนัก ตรวจ นับ และ calcu-lating จำนวน และอัตราส่วนความรื่นรมย์ โดยผ่านการฝึกอบรมผู้ตรวจ เปื่อยได้ Shrimpis ประเมินตนเองอาจปัญหาบัค terial และปนเปื้อนสารเคมี (Pan et al., 2009) หรือ ประเมินคุณภาพของกุ้งอาจจะเสร็จสมบูรณ์ automaticallyby จักรวิทัศน์ วิธีการวัดขนาดของกุ้ง weredescribed ในส่วนนี้ Harbitz (2007) พยายามประเมินความสามารถของ analysistechnique ภาพการประเมินโดยอัตโนมัติความยาว carapace ของกุ้ง (Pandalus เหนือ) ความยาว carapace แรก พื้นที่พิกเซล และ weightwere ที่วัด โดยผู้ประกอบการ มีความละเอียดสูงยังคงรูปแคมยุคผลิตภาพสีของกุ้ง 285 หลังจากแบ่ง ofeach กุ้งแต่ละตัว โดยความเข้ม thresholding สเกลล็อกล็อก ona รุ่นเส้นความยาวเกี่ยวกับพิกเซลตั้งผล precisionof 0.43 มม. ดัง ระยะการกระจายความถี่ basedon ด้วยตนเอง และการถ่ายภาพเทคนิคคล้ายกัน และเวลาหน่วย centralprocessing ที่ใช้ โดยโปรแกรมวิเคราะห์ภาพ < 0.01 ต่อวินาที นี้แสดงให้เห็นศักยภาพในการประมวลผลที่แม่นยำ มีประสิทธิภาพ อัตโนมัติของจำนวนความยาวกุ้ง สำรอง Luo et al. (2013) ใช้อุปกรณ์คล้ายกับ distil สาย mainskeleton ของกุ้งซึ่งอาจแสดงพารามิเตอร์ความยาวของ shrimpdirectly รวมภาพ 400 ตัวอย่าง 40 ใน 10 caseswere ที่แตกต่างกันมา และจากนั้น ถูกแบ่งเป็นช่วงโดยใช้วิธี OSTU ตามบางวิธี aclassical อัลกอริทึมถูกเสนอนั้น couldremove สาขาของโครงกระดูกได้อย่างมีประสิทธิภาพโดยไม่มีผล thelength ของกระดูกเส้นหลัก มันเปิดออกที่ skeletonlength แบบ correlated ค่อนข้างดีกับความยาวจริง R2was สูงสุด 0.946 และ R2was ต่ำสุด 0.747 มันไม่แสดง thatthere ยังเป็นความสัมพันธ์ที่แข็งแกร่งระหว่างกุ้งพื้นที่และน้ำหนัก (Kassler et al., 1993) ใน 1995, Balaban et al. correlated experimentalweight และดูพื้นที่ใช้สมการต่าง ๆ สาม (เส้นโค้งเชิงเส้น พลังงาน และ อำนาจบังคับ) เพื่อกำหนดจำนวนและความรื่นรมย์ ratioof กุ้ง (Balaban และ al., 1995) ในภายหลังในปี 1997 ตั้งกุ้งมีน้ำหนักประมาณ usedto สำหรับตัวอย่างของกุ้ง 100 (Luzuriaga และ al., 1997) ขั้นตอนการทดลองได้เหมือนกับที่ใช้ในวิจัย anotherearlier อัตราการนับและความรื่นรมย์ (Balaban และ al., 1995) ตั้งมุมมองของกุ้งถูกกำหนดเป็นพิกเซล โดย programand ข้อมูลได้วิเคราะห์ด้วยข้อมูลชุดของสมการ น้ำหนักของกุ้งถูกวัด และป้อนกรัมสนับสนุน โดยการเปรียบเทียบน้ำหนักทดลองกับ estimatedweights จากพอดีกับสมการ จะถูกสรุปว่า ทุกสมการก่อน-dicted ผลรวมน้ำหนักได้อย่างถูกต้อง อย่างไรก็ตาม สำหรับกุ้งแต่ละ ผลลัพธ์เดียวกันไม่คาดว่าเนื่องจากบางคน underestimatedor overestimated ใน 2012, Poonnoy และชุมในศึกษา weightestimation กุ้งซูชิจากของพื้นที่คาดการณ์โดยใช้แบบจำลองไม่ใช่ linearregression (Poonnoy และชุมใน 2012) วิสัยทัศน์สร้าง AIsoftware ประมวลผลภาพ และนับจำนวน pixelsrepresented พื้นที่คาดการณ์ไว้ Wereapplied 4 แบบจำลองทางคณิตศาสตร์สำหรับประเมินน้ำหนัก จัดเป็นคู่ t ทดสอบระบุต่าง sig nificant ไม่สามของพวกเขา มีต่ำที่สุดเฉลี่ย absoluteerror (แม่) ของ 0.20 g ข้อผิดพลาดรากค่าเฉลี่ยกำลังสอง (RMSE) 0.25%,and หมายถึงญาติข้อผิดพลาด (MRE) 0.73% จาก 150 กุ้งซูชิ ดังนั้น ผลพิสูจน์ของเครื่องวิสัยทัศน์ systemin อัตโนมัติกำหนดกุ้งซูชิน้ำหนัก นอกจากนี้ยังสามารถกำหนดน้ำหนักกุ้งใช้ sizeparameters หลาย เป็นช่วงต้นปี 1991 ลิงและ Searcy ศึกษาสกัดคุณลักษณะสำหรับ deheader เครื่องวิสัยทัศน์โดยกุ้ง (ลิง andSearcy, 1991) ประสบความสำเร็จได้รับลักษณะสัณฐาน รวมไปถึงอาหาร carapace กว้าง tocarapace ยาว ความยาว carapace อัตราส่วนความยาวรวมและอัตราส่วนกระดูก นอก ใน orderto ปรับปรุงความแม่นยำในการทำนายน้ำหนักของกุ้งปลอกเปลือกให้หมด amultivariate แบบจำลองการคาดเดาประกอบด้วยบริเวณ ขอบเขต ความ ยาว และความกว้างได้ก่อตั้งขึ้นโดยแพน et al. (2009) พวกเขานำเสนอนั้นใหม่เทียบอัลกอริทึม end-point-ลบ (EPE), สำหรับ extractinglength ของกุ้งที่ปลอกเปลือกให้หมด เพิ่มเติมจะถูกตรวจสอบกับ ofimages อีกชุดจากกุ้งปลอกเปลือกให้หมด 30 เปรียบเทียบน้ำหนัก modelsof คาดเดาและพารามิเตอร์เหล่านี้รูป รุ่น weight–area–perimeter(WAP) ได้พิสูจน์ให้ดีที่สุด มันถูกทดสอบมากกว่า 96.9% ในการประมาณน้ำหนักอัตราความถูกต้อง havean ได้งานวิจัยที่ลึกซึ้งในสาระสำคัญ extrac-สเตรชันของกุ้ง และสุดท้าย ไปซึ่งกุ้งที่จัดเกรดระบบ

ผลลัพธ์ (ไทย) 3:

มุมสามเหลี่ยมหลัง มีอะไรเพิ่มเติมที่พวกเขาแบ่งปลาออกเป็น 2 ขั้นตอนคือ ซึ่งเป็นขั้นตอนที่สำคัญในการได้รับประเภทความแม่นยำสูงปลา . กับ 350 ภาพปลาสำหรับการฝึกอบรมและทดสอบ 150 , การจำแนกเครือข่ายประสาทได้รับการรถไฟไอเอ็นจีโดยความถูกต้องเท่ากับ 89% และทดสอบความถูกต้องโดยรวมเท่ากับ to86 %มันเป็นยังกล่าวว่าคุณลักษณะการเลือกวิธีการ couldsuccessfully ปรับปรุงสมรรถนะของระบบการจัดหมวดหมู่ของปลา ตารางที่ 1 ข้อมูลทั่วไปวิสัยทัศน์ของเครื่องจักร การตั้งค่าสำหรับ ferent dif สภาพการทำงาน รวมถึงกล้องและไฟส่องสว่าง . . . shrimpshrimp เป็นหนึ่งของทะเลหลักสำหรับผู้บริโภค ซึ่งส่วนใหญ่เกี่ยวข้องกับการฝึก qualitydetection ถ่วง การนับและ calcu lating นับและสามัคคีอัตราส่วนโดยการฝึกอบรมผู้ตรวจสอบ shrimpis แบบวัดคู่มืออาจนำไปสู่ปัญหา เช่น การปนเปื้อนของสารเคมีและ BAC terial แพน et al . , 2009 ) อีกวิธีหนึ่งคือ การประเมินคุณภาพของกุ้งจะเสร็จสมบูรณ์วิสัยทัศน์เครื่อง automaticallyby . การวัดขนาดของกุ้ง weredescribed วิธีการในส่วนนี้harbitz ( 2007 ) พยายามที่จะประเมินความสามารถของภาพโดยอัตโนมัติ analysistechnique ประมาณความยาวกระดองของกุ้ง ( pandalus borealis ) แรกความยาวกระดอง พื้นที่พิกเซล และ weightwere วัดโดยผู้ประกอบการ ความละเอียดสูงกล้องภาพนิ่งยุคการผลิตภาพสี 285 กุ้ง หลังจากการแบ่งส่วนของแต่ละกุ้งโดยปรับความเข้ม ,เส้นรูปแบบ ONA เข้าสู่ระบบและเข้าสู่ระบบขนาดความยาวสัมพันธ์กับพื้นที่พิกเซลจาก precisionof 0.43 มิลลิเมตร ผลคือ การแจกแจงความถี่และความยาวตามคู่มือเทคนิคการถ่ายภาพมีลักษณะคล้ายคลึงกัน และ centralprocessing หน่วยเวลาที่ใช้โดยโปรแกรมการวิเคราะห์ภาพ < 0.01 ต่อวินาที นี้แสดงศักยภาพได้อย่างมีประสิทธิภาพการประมวลผลอัตโนมัติของตัวเลขขนาดใหญ่ความยาวของกุ้ง นอกจากนี้ หลัว et al . ( 1 ) ใช้อุปกรณ์คล้ายกับกลั่นกุ้งเป็น mainskeleton บรรทัดซึ่งอาจมีความยาวพารามิเตอร์ของ shrimpdirectly . ทั้งหมด 400 รูป 40 ตัวอย่างที่แตกต่างกัน 10 caseswere ถ่ายแล้วแบ่งโดยใช้วิธี ostu . ตาม aclassical บางวิธีขั้นตอนวิธีที่เสนอว่า couldremove กิ่งก้านของโครงกระดูกได้อย่างมีประสิทธิภาพโดยไม่มีผลต่อความยาวของเส้นโครงหลัก มันเปิดออกที่ skeletonlength มีความสัมพันธ์ค่อนข้างดี มีความยาวจริง r2was 0.946 สูงสุดและต่ำสุด r2was 0.747 . มันถูกพบว่ามีความสัมพันธ์ที่แข็งแกร่งระหว่างพื้นที่นากุ้งและน้ำหนัก ( แคสเลอร์ et al . , 1993 ) ใน 1995 ,บาลาบั้น et al . ความสัมพันธ์ experimentalweight และพื้นที่ดู โดยใช้สามสมการต่าง ๆ ( เชิงเส้น , พลัง , และบังคับพลังโค้ง ) เพื่อตรวจสอบและนับกุ้งแบบอัตราส่วน ( บาลาบั้น et al . , 1995 ) ต่อมาในปี 1997 , กุ้ง พื้นที่มาประเมินน้ำหนักตัวอย่าง 100 กุ้ง ( luzuriaga et al . , 1997 )ขั้นตอนการทดลองเป็นเช่นเดียวกับที่ใช้ในการวิจัย anotherearlier นับ และสามัคคี โดย บาลาบั้น et al . , 1995 ) ดูพื้นที่ของกุ้งที่ถูกกำหนดเป็นพิกเซลโดยและวิเคราะห์ข้อมูลโดยข้อมูลที่เหมาะสมกับชุดของสมการ น้ำหนักของกุ้งและการโปรแกรมเข้า วัด .โดยการเปรียบเทียบน้ำหนักทดลองกับ estimatedweights จากสมการพอดี จึงสรุปได้ว่าสมการก่อน dicted น้ำหนักรวมอย่างถูกต้อง อย่างไรก็ตาม สำหรับกุ้งแต่ละตัว ได้ผลเหมือนกันคือไม่ได้คาดหวังตั้งแต่บาง underestimatedor สิ่งที่ไม่จริง ในปี 2012 นี้และ poonnoy ชุมศึกษา weightestimation ซูชิกุ้งจากคาดใช้พื้นที่ไม่สูงกว่า ( และรุ่น poonnoy , ใน , 2012 ) สร้างวิสัยทัศน์ aisoftware ประมวลผลภาพและนับจำนวน pixelsrepresented คาดการณ์พื้นที่ แบบจำลองทางคณิตศาสตร์ ( 4 เพื่อประมาณน้ำหนัก และ Paired t-test พบไม่ Sig nificant ความแตกต่างของพวกเขาทั้งกับ absoluteerror ค่าเฉลี่ยต่ำสุด ( แม่ฮ่องสอน ) 0.20 กรัม รากค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( RMSE ) ของ 0.25 เปอร์เซ็นต์และค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์ ( แมร์ ) 0.73 % จาก 150 ซูชิกุ้ง ดังนั้นผลพิสูจน์การมองเห็นของเครื่องจักรอัตโนมัติสำหรับการกำหนดน้ำหนักซูชิกุ้ง กุ้งน้ำหนักอาจจะกำหนดโดยใช้ หลาย sizeparameters . เป็นต้นที่ 1991หลิงและเซอร์กี้ศึกษาการสกัดลักษณะเด่นสำหรับเครื่องวิสัยทัศน์กุ้ง deheader ตาม ( หลิง andsearcy , 1991 ) คุณลักษณะทางสัณฐานวิทยา รวมทั้ง tocarapace ความยาวความกว้างกระดองปันส่วน , ความยาวกระดองรวมและอัตราส่วนความยาวต่อโครงกระดูก ( เรียบร้อยแล้ว ) นอกจากนี้ เพื่อปรับปรุงความถูกต้องในการทำนายของน้ำหนักเปลือกกุ้งamultivariate แบบจำลองการทำนายที่มีบริเวณ , ปริมณฑล , ความยาว , ความกว้างและก่อตั้งขึ้นโดยแพน et al . ( 2009 ) พวกเขาเสนอใหม่ปรับแต่งขั้นตอนวิธีลบจุดปลาย ( EPE ) , extractinglength ของเปลือกกุ้ง มันเพิ่มเติมตรวจสอบด้วยอีกตั้ง 30 ofimages จากเปลือกกุ้ง เปรียบเทียบการพยากรณ์น้ำหนักและพารามิเตอร์ที่จำเป็นแก่ภาพเหล่านี้พื้นที่–น้ำหนัก–ปริมณฑล ( WAP ) แบบที่ถูกพิสูจน์แล้วว่าเป็นหนึ่งที่ดีที่สุด มันถูกทดสอบเพื่อ havean อัตราความถูกต้องมากกว่า 96.9 % ในการประมาณน้ำหนัก นอกจากนี้ยังมีงานวิจัยที่เกี่ยวกับคุณลักษณะสกัดความลึกของกุ้ง ซึ่งในที่สุดก่อให้เกิดระบบเกรดกุ้ง