Computer-generated artificial class

Computer-generated artificial classifiers that are intended to
mimic human decision making for grading and product quality
have recently been studied intensively. The online lentil color classification
using a flatbed scanner with neural classifier developed
by Shahin and Symons (2001) achieved an overall accuracy of more
than 90%. Leemans et al. (2002) developed an on-line fruit grading
system based on external quality features of two varieties of apples,
Golden Delicious and Jonagold, using quadratic discriminant
analysis and neural networks. The image grading was achieved in
six steps: image acquisition; ground color classification; defect
segmentation; calyx and stem recognition; defects characterization;
and finally the fruit classification into quality classes. Both
algorithms resulted in similar results (79% and 72%) for both varieties
studied. Blasco et al. (2003) combined machine vision techniques
with Bayesian discriminant analysis for online estimation
of the quality of oranges, peaches, and apples, and evaluated the
efficiency of these techniques regarding the following quality attributes:
size, color, stem location, and detection of external
blemishes.

ผลลัพธ์ (ไทย) 1:

ๆ นี้การศึกษา ลักษณนามประสาทพัฒนาโดยชาฮีนและ Symons (2001) ได้อย่างแม่นยำโดยรวมมากขึ้นกว่า 90% Leemans et al, (2002) Jonagold ใช้จำแนก 6: (79% และ 72%) Blasco et al, (2003) รวมด้วยทฤษฎีการวิเคราะห์จำแนกสำหรับประเมินออนไลน์คุณภาพของส้มลูกพีชแอปเปิ้ล สีก้านตั้งและตรวจสอบภายนอกฝ้า

ผลลัพธ์ (ไทย) 2:

ๆ

Shahin และ Symons (2001)
90% Leemans, et al, (2002)

Jonagold




(79% และ 72%) สำหรับสายพันธุ์ทั้ง
ศึกษาBlasco, et al, (2003)




.

ผลลัพธ์ (ไทย) 3:

ชัดเจน Shahin ไซมอนส์ (2001) 90%, et al Leemans (2002)






Jonagold ใช้กำลังสอง
ภาพงานสําเร็จใน
6 ขั้นตอนการภาพการจำแนกสีพื้นการแบ่งส่วนข้อบกพร่อง
; กลีบเลี้ยงและก้านการรับรู้; ของเสีย

(79 เปอร์เซ็นต์และ 72 เปอร์เซ็นต์) ทั้งสายพันธุ์
) กระตือรือร้นมากที่สุด et al, (2546) , ลูกพีชและแอปเปิ้ลและ : ขนาด, สี, ต้นที่ตั้งและการตรวจสอบจากภายนอก




รอย