KaydedilenlerDerginizi ekleyin

Dergiler / Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2012 / Cilt: 16 - Sayı: 2

Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması

Sedat MELTEK
Bayram ÇETİŞLİ
Sayfa
212–217
Yayın Tarihi
2014-07-13
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Renk algılayıcının yerine yerleştirilen renkli kamera ile yaklaşık üç kat daha hızlı bir sınıflandırma başarısı elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada kameralı bir sistemin renk algılayıcılı bir sisteme göre, gerçek zamanlı nesne tanımada daha hızlı çalıştığı gösterilmektedir.
📊
Temel Bulgular & Veri:Bu amaç doğrultusunda Festo firmasının ürettiği birbirine bağlı dört deney setine donanımsal ve yazılımsal olarak müdahale edilmiştir.
💡
Sonuç & Katkı:Renk algılayıcının yerine yerleştirilen renkli kamera ile yaklaşık üç kat daha hızlı bir sınıflandırma başarısı elde edilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Endüstriyel otomasyon · gerçek zamanlı görüntü işleme · Bayes sınıflayıcı

Özet

Bu çalışmada kameralı bir sistemin renk algılayıcılı bir sisteme göre, gerçek zamanlı nesne tanımada daha hızlı çalıştığı gösterilmektedir. Bu amaç doğrultusunda Festo firmasının ürettiği birbirine bağlı dört deney setine donanımsal ve yazılımsal olarak müdahale edilmiştir. CMOS kamera, görüntü işleme yöntemleri ve Bayes sınıflayıcı kullanılarak nesnelerin daha kısa zamanda ve doğru bir şekilde sınıflandırılması sağlanmıştır. Deney setinin çıkış kısmında yapılan sınıflandırma, PLClerle (Programlanabilir Mantık Denetleyicileri) kontrol edilmektedir. Bu işlem, yeni düzenekte bilgisayarla paralel port üzerinden denetlenmektedir. Elektro-mekanik kontrollü pnömatik kolların kontrolü için ayrıca bir elektronik sürücü devresi tasarlanmıştır. Renk algılayıcının yerine yerleştirilen renkli kamera ile yaklaşık üç kat daha hızlı bir sınıflandırma başarısı elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

MELTEK, S., ÇETİŞLİ, B. (2014). Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 16 - Sayı: 2, 212–217. https://ajindex.com/articles/701484

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Davies E.R. 2005.
  2. Machine Vision, Third Edition:Theory, Algorithms, Practicalities. Publisher, Morgan Kaufmann, 934pp. Dworkin, S.B., Nye T.J. 2006. Image processing for machine vision measurement of hot formed parts. Journal of Materials Processing Technology, 174, 1-6.
  3. Fazel Zarandi, M.H., Zarinbal, M., Izadi, M., 2009. Systematic image processing for diagnosing brain tumors: A Type-II fuzzy expert system approach. Applied Soft Computing, 11, 285-294.
  4. Gose, E., Johnsonbaugh, R., 1996. Statistical decision making. In: Pattern Recognition and Image Analysis. Prentice Hall PTR, New Jersey, 84 p. Jain, R., Kasturi, R., Schunck, B.G., 1995,
  5. Machine Vision, Publisher, McGraw-Hill, 549p. Kang, T., Ren, K., Pan L., Hongwen. L., 2007. A Study of Broccoli Grading System Based on Machine Vision and Neural Networks. Proc. of the 2007 IEEE Int. Conf. on Mechatronics and Automation 5 – 8 August, Harbin/China. Lino, A.C.L., Sanches, J., Fabbro, I.M.D., 2008. Image processing techniques for lemons and tomatoes classification Bragantia, Campinas, 67(3), 785-789.
  6. Metlek, S., 2009. Üretim Bandı Üzerindeki Renkli Silindir Parçalarının Makine Görme Sistemiyle Tanımlanması Ve Sınıflandırılması. Yüksek Lisans Tezi, SDÜ, Fen Bilimleri Enstitüsü, Isparta, 87s. Nagata, M., Cao Q. Study on Grade Judgment of Fruit Vegetables Using Machine Vision. http://web02.affrc.go.jp/english/publication/jarq/ 32-4/32-4-257-265.pdf. (Erişim Tarihi:18.01.2012)
  7. Savran, A., Sankur, B., Bilge, M.T. 2012. Comparative Evaluation of 3D versus 2D Modality for Automatic Detection of Facial Action Units. Pattern Recognition, 45(2), 767-782
  8. Unay, D., Gosselin, B. 2006. Apple Defect Segmentation by Artificial Neural Networks, Proc. of BeNeLux Conf. on Artificial Intelligence (BNAIC), Namur-Belgium, Xiao, Q., 2007.
  9. Biometrics-Technology, Application, Challenge, and Computational Intelligence Solutions, IEEE Computational Intelligence Magazine, 2(2), 5–25.