WOSRAS监督分类算法的比较研究

c·钱德拉Mouli¹,p . Jyothi²,k Nagabhushan拉³

高级研究员,仪器称,斯里兰卡克利须那德瓦拉亚的统治大学,公益性,美联社,印度¹
研究学者,仪器称,斯里兰卡克利须那德瓦拉亚的统治大学,公益性,美联社,印度²
大学教授,仪器称,斯里兰卡克利须那德瓦拉亚的统治,公益性美联社,印度³

文摘

无线对象排序机器人手臂系统(WOSRAS)是机器视觉系统的组合(MVS),无线嵌入式系统(韦斯)和机械臂系统(RAS)。MVS是对象的重要片段分类机器人手臂系统构成的图像传感器和虚拟仪器安装个人电脑系统从图像分类的对象。倪视觉采集表达虚拟仪器获得图像的图像传感器来识别图像中的对象。现在的工作给分类算法的深入研究和距离度量。每个分类算法的距离度量生成分类器的评估文件。的性能分类algorithmsare相比,选择最好的对象分类的图像。神经网络(最近邻),基于事例和最小平均距离(MMD)算法被认为是进行比较。所有的方法进行了分析和比较,等待最好的结果和最大WOSRAS精度来实现。

关键字

RobotArm对象排序,虚拟仪器,机器视觉系统,最近邻,最小平均距离。

介绍

一般程序排序系统三部分构成。他们收购,识别、把握和排序。收购是在分类的一个重要部分,阅读图像是用相机的聚焦图像通过有效的照明条件。确定一个指定对象上的本质不同利益完成识别部分。采集和识别可以通过使用软件包安装在电脑。挑选并将识别对象到一个预定义的地方可以通过使用一种机械组装完成掌握和段。这个任务是实现在几乎所有的图书馆、药房、仓库、工厂等。在许多分类系统,上面的步骤被绑成一个,不能清楚地分开。

排序系统保持基本在许多领域都与不同的应用,如制造业、图书馆、工厂、仓库、药房、超市等MVS总行业自动化解决方案提供了寻找缺陷,产品和完成比人类进程的速度和效率。杨涛讨论图像处理的优势在排序应用程序通过实现一个基于图像的色调提取分类系统处理器从图像传感器和图像处理器执行一个颜色变换,得到一个综合色调值为每一个对象或片水果分类[1]。托马斯·c·皮尔森描述了基于对象的视频图像对象排序系统[2]。穆罕默德Bdiwi讨论图书馆自动化的控制系统和视觉算法和图书分类使用集成视觉/机器人控制[3]。罗兰。萨博对象分类系统实现基于颜色使用机器人手臂,网络摄像头用于识别物体的颜色和机械臂用于将对象在适当的地方[4]。基于视觉的机器人系统开发三维姿态估计和选择的对象摄像头周围八个闪光是用来捕捉图像和CAD工具用于查找对象使用一个完全的边缘投影公式[ACB98]劳的基于模型的姿态估计算法[5]。Raihan Ferdous Sajal和同事设计了一个高效的实时图像分析和机器视觉算法识别不同特性的孟加拉国的银行券使用纸币自动分拣系统[7]。

文献综述

图像分类的过程被定义为从图像中提取信息/数据。图像分类的主要作用是探测、识别和分类的特点,根据类型的一个对象在一个图像类[8]。神经网络分类algorithmdetects未知类的对象在一个图像最近邻未知类的基础上形成了培训课程。神经网络是应用最广泛的分类排名算法模型[14],文本分类(11 - 13),模式识别(9、10)、事件识别[15]和对象识别[16]应用程序。资讯使用神经网络rulein哪个最近邻calculatedfrom k的值specifythe最近的邻居的数量被认为是定义一个类样本数据点。资讯providesobjective、快速、透明和产生好的结果在更大的领域。然而,算法的主要优势在于它的简单性和缺乏参数假设[17]。过去研究最小距离分类表明它是extremelysuggested所有图像分类应用程序由于其最小计算时间主要取决于培训数据[21]。

本研究关注分类算法的比较和评价为WOSRAS识别图像的对象。为此神经网络、基于事例和MMD算法进行了研究,比较,选择最佳的分类算法。

监督对图像分类算法

分类是一种决策理论的方法来识别图像的图像或部分。图像分类是一个重要的分支人工智能(AI)和最常用的方案/方法分类设置预定义的类别之间的图像通过使用一个类的样本。图像分类是分为两种类型;他们不受监督,受监视的影像分类。由于目前的工作是基于监督分类算法的技术而不是无监督分类算法。

监督分类是机器视觉分类最基本的分类。它要求图像类的先验知识。训练样本和测试样本用于分类的目的。一个有序对(x, y)训练样本其中x是y和实例的标签。实例x未知标签被称为一个测试的例子。监督学习的目的是为测试评估标签的例子。

最直观的方法确定特征向量的类是找到接近一个类或类使用距离函数的特性。基于距离的定义,有几种不同的算法,如下所示。

答:最近邻算法

在神经网络分类算法中,未知类的输入特征向量X c类_j确定的距离nearestneighborwhich用于表示类,如(1)所示。

在那里,d (x, x^j_我)和x之间的距离^j_我,未知的分类算法分配模式classto给出其最近邻的类(2)

神经网络算法的主要优势是它的简单方法分类。神经网络算法如果对应的特征向量为每个类是可用的。

b .再算法

根据投票机制未知类的输入特征向量在资讯类Cj分配算法。分类器发现k最近的样本的所有类。与绝大多数的选票k最近的样本,输入特征向量分配给classCj未知的类。

考虑到{Xj1、xj2 xjnj。}是特征向量用于表示类C_j。每一个特征向量包含一个标签已被选为代表类的类。类中给出了j的中心(3)

一个输入特征向量x未知类的分类在theclassification阶段取决于每个类中心的距离和(4)中给出

d (X,米_j)是基于距离度量的距离函数选择在训练阶段。

d .的距离度量

使用虚拟仪器分类方法的性能进行了评估。虚拟仪器提供了三个距离度量的分类方法:欧氏距离和距离,最大距离。让X = (x1, x2,…xn]和Y = [y1, y2,…yn)的特征向量,那么距离度量d (X, Y)给出每个距离度量。欧几里得距离(L2),和距离(L1)和最大距离(L∞)评估和合成公式的距离度量的分类方法是显示在表我。

方法

在目前的工作分类算法及其实现了距离度量和评估在两个数据集即标准数据集和生成数据集。图1显示了评价方法的框图的分类算法的准确性。培训文件,测试文件,分类算法和距离度量提供分类系统的输入。培训文件包含每个类的样本的先验信息的量化形式。测试文件是一个图像文件包含图像像素被分类。分类过程首先将像素分配给类相似性度量的基础上。图2显示了flowchartwhich描述分类技术评价的过程。通过使用混淆矩阵和kappa系数accuracywas evaluatedfor分类算法。

Kohavi et al.in 1998描述混淆矩阵由信息分类系统的实际和预测类[6]。绩效评估的分类算法是通过使用混淆矩阵中包含的信息。分类算法的评估的准确性是最常见的taskfor assessmentof分类性能。根据Kohavi et al .分类精度,误分类率并给出Kappa系数(5),(6)和(7)。分类精度的定义是总数的比例的预测是正确的。误分类率(错误率)是相反的分类精度。另一项措施,可以从混淆矩阵是卡帕(κ)系数[18][19]。κ被定义为正确分类的提取比例与实际比例所期望的机会。然而指定的参数性能评价是在现实中难以实现,没有分类算法达到要求也适用于所有的研究中,因为使用的数据集和各种环境条件。

,TP阳性病例的比例,正确识别,FP是底片的比例情况下被错误地归类为积极、TN的定义是底片的比例情况下,分类正确,P (D)是由正确的比例分类实例(对角线项之和除以总实例)的总和和P (E)是由预期的比例偶然(乘法之和除以边际概率/类的实例)的总和。

结果和讨论

分类算法进行测试和对比标准数据集和标准数据集生成的数据集。认为在目前的工作是虹膜植物数据集。监督分类算法的准确性和kappa系数对卫星图像进行计算和[20]的结果。数据包含三个类,这是随机分布的比例30:70获得培训和测试文件。同样的标准是用来实现WOSRAS分类算法的性能评估。

生成的数据集包含的三个类,这是随机分布的比例30:70获得培训和测试文件。混淆矩阵为神经网络算法与最大距离度量,SumDistance度量的神经网络算法,神经网络算法与欧氏距离度量,然而算法和k = 3最大距离度量,然而算法和k = 3和距离度量,然而算法k = 3和欧氏距离度量,MMD算法与最大距离度量,MMD算法和距离度量和多党民主运动与欧氏距离度量算法是图3所示(一个),(b)、(c), (d), (e), (f) (g),分别(h)和(i)。分类精度和kappa系数值分类算法是图4所示。

结论

由于本研究关注分类算法的比较为WOSRAS识别图像的对象。对象识别的不同的图像分类算法即最近邻(NN), k最近邻(资讯)和最小平均距离(MMD)随着距离度量马克斯,总和和欧几里得已经实现和测试,并生成的数据集。结果表明神经网络和距离度量生产高精度很好的kappa系数在其他分类算法。资讯与所有距离度量和kappa系数产生一致的。然而,算法的准确性取决于训练数据集的鲁棒性和质量约束。不同的环境条件和数据集的选择也会影响分类精度。

表乍一看

表1

数据乍一看


图1	图2	图3	图4

引用

杨道,“颜色分类对象的方法及装置”,美国专利5 339 963,1994年8月23日。
托马斯·c·皮尔森“机器视觉装置和方法进行排序对象”,美国专利5 703 784,1997年12月30日。
Bdiwi m;苏奇,J。,“Robot control system with integrated vision/force feedback for automated sorting system”, Technologies for Practical Robot Applications (TePRA), IEEE International Conference , p p.31,36, 23- 24 April 2012.
萨博,r;谎言,我。,“Automated colored object sorting application for robotic arms”, Electronics and Telecommunications (ISETC), 2012 10th International Symposium , pp.95,98, 15-16 Nov. 2012.
阿米特阿格拉沃尔于太阳,约翰•Barnwell Ramesh Raskar挑选对象的“视觉引导机器人系统由铸造阴影”,国际机器人研究杂志》上,卷。29号2 - 3,pp.155 - 173, 2010年2月。
Raihan Ferdous Sajal,穆罕默德Kamruzzaman Faruq Ahmed珠宝“基于机器视觉的自动系统实时识别和排序的孟加拉银行券”,学报11计算机和信息技术国际会议(2008年ICCIT), pp.533 - 535, 2008年12月25日至27日。
B。l . Petrakieva Gabrya;“结合标记和未标记的数据模式分类系统”的设计,国际期刊的近似推理,2004。
V。Vaidehi, s . Vasuhi“使用面部识别个人身份验证”,《世界大会engg和计算机科学,2008。
Shizen,吴y”,一个基于人工免疫算法对遥感图像分类b细胞网络”,激飞柏林,40卷。
Toker g ., o . Kirmemis“使用k最近邻分类文本分类”,调查,中东技术大学。
y辽、v . r . Vemuri使用文本分类技术,入侵检测,调查纸,加州大学。
e . m . Elnahrawy”基于日志的聊天室监控使用文本分类:比较研究”,马里兰大学。
耿x等人,“使用k最近邻查询相关的排名”,SIGIR, 2008。
y杨和t·奥尔特,“事件跟踪改善文本分类方法”,卡内基梅隆大学。
f . Bajramovie等人“最近邻搜索算法的比较通用的对象识别”,ACIVS 2006信号4179年,页1186 - 1197。
B.K. Mayanka;“使用资讯遥感数据分类方法”,期刊的信息,知识和研究在电子和通信工程(体积- 02年,问题- 02)。
j·科恩,“名义尺度系数协议”,教育和心理测量,20:27-46,1960年。
j·l·弗莱斯。“利率和比例的统计方法”,约翰威利& Sons,纽约,1981年。
Kanika卡尔拉Anil Kumar他,:节奏Gupta,“受监视的影像分类算法的比较研究卫星图像”,国际期刊的电气、电子和数据通信中,ISSN: 2320 - 2084第一卷,发,12月- 2013。
Kohavi, R。,and Provost, F. “On Applied Research in Machine Learning”, In Editorial for the Special Issue on Applications of Machine Learning and the Knowledge Discovery Process, Columbia University, New York, Volume 30, 1998.
理查兹,正当,“Remote Sensing Digital Image Analysis: An Introduction”, Springer-Verlag, pp. 265-290, 1995.