AI Summary & Key Takeaways
AI InsightAs a result, obtained that average processing time is 1,596 second and 0,9719 accuracy rate in the second proposed solution.
📌 3 Key Takeaways
Abstract
In this study, two different solution ways have been developed for the problem of classification of industrial small circular metal objects on the surfaces of engraved metal. It is the first proposed solution to perform the pattern matching with XOR operator by extract the character region of the circular metal objects as a pre-process, making the model of the Daugman’s Rubber Sheet Model (DRSM) and performing feature extraction. As a result, obtained that average processing time is 69,72 milliseconds and 0,9398 accuracy rate in the first proposed solution. The second solution is the optical character recognition (OCR) on the circular metal objects that to be realized character region detection and character segmentation as a result of the Maximal Stabil Extremal Region (MSER) and Stroke Width Transform (SWT) algorithms. Character recognition realized by using the model of Convolutional Neural Network (CNN) class which is a deep machine learning approach of artificial intelligence. The character recognition problem of the circular metal objects provided at the same time solved the problem of object classification. As a result, obtained that average processing time is 1,596 second and 0,9719 accuracy rate in the second proposed solution.
Özet
Bu çalışmada, endüstriyel üretim olan dairesel küçük çaplı metal cisimlerin yüzeyleri üzerine oyma işlemi gerçekleştirilmiş karakterlere göre sınıflandırılması problemi için 2 farklı çözüm yolu geliştirilmiştir. Dairesel metal cisimlerin görsellerinin ön aşama olarak karakter bölgesinin çıkartılıp, Daugman’s Rubber Sheet (DRSM) modeli haline getirilmesi ve özellik çıkarımı gerçekleştirilerek, XOR operatörü ile şablon eşleştirme gerçekleştirilmesi önerilen ilk çözüm yoludur. İlk önerilen yöntemin sonucunda, ortalama işlem süresi 69,72 milisaniye ve 0,9398 doğruluk oranı başarım parametreleri olarak elde edilmiştir. İkinci çözüm yolu, dairesel metal cisimler üzerindeki karakterlerin Maximally Stabil Extremal Region (MSER) ve Stroke Width Transform (SWT) algoritmaları sonucu karakter bölgesi tespiti ve karakter segmentasyonu gerçekleştirilerek yapay zekanın derin öğrenme yaklaşımlarından Convolution Neural Network (CNN) sınıfı tasarlanan model ile karakter tanınması gerçekleştirilmiştir. Karakter tanınması sağlanan dairesel metal cisimlerin aynı zamanda nesne sınıflandırma problemi çözülmüştür. İkinci olarak önerilen yöntemde ise, ortalama işlem süresi 1,596 saniye ve 0,919 doğruluk oranı başarım parametreleri olarak elde edilmiştir.