Documents disponibles écrits par cet auteur

Classification of lamb carcass using machine vision: comparison of statistical and neural network analyses / Chandraratne, M. R. in Journal of food engineering, Vol. 82 N°1 (Septembre 2007) 

Public ISBD [article]  in Journal of food engineering > Vol. 82 N°1 (Septembre 2007) . - 26-34 p. Titre : Classification of lamb carcass using machine vision: comparison of statistical and neural network analyses Type de document : texte imprimé Auteurs : Chandraratne, M. R., Auteur ; Kulasiri, D., Auteur ; Samarasinghe, S., Auteur Article en page(s) : 26-34 p. Note générale : Génie Chimique Langues : Anglais (eng) Mots-clés : Computer  vision  Machine  vision  Image  analysis  Texture  features  Lamb  grading  Meat  quality  Artificial  neural  networks  Co-occurrence  matrix  Run  length  matrix  Grey-level  difference  histogram  Vision  par  ordinateur  Machine  de  vision  Analyse  d'image  Texture  fonctionnalités  Agneau  de  classement  La  qualité  de  la  viande  Réseaux  de  neurones  artificiels  matrice  de  Co-occurrence  Exécuter  longueur  matrice  Histogramme  de  différence  de  niveau  gris Index. décimale : 664 Résumé : In this study, the ability of artificial neural network (ANN) models to predict the lamb carcass grades using features extracted from lamb chop images was compared with multivariate statistical model (discriminant function analysis (DFA)) with respect to the classification accuracy. Twelve geometric features were extracted from each of the acquired lamb chop images. In addition, 136 texture features (90 co-occurrence, 10 run length and 36 grey-level difference histogram) were also extracted from the acquired images. Four sets of reduced features comprising six geometric, eight co-occurrence texture, four run length texture and four grey-level difference histogram features were generated based on the results of dimensionality reduction. The four sets of reduced features, individually and in different combinations, were utilised for classification using ANN and DFA. Several network configurations were tested and the classification accuracy of 96.9% was achieved from the three-layer multi-layer perceptron (MLP) network. Its performance was 12% better than that from the DFA. Geometric features play a very important role in classification. Co-occurrence features also play an equally important role in classification. Dans cette étude, la capacité des réseaux de neurones artificiels (RNA) des modèles prédictifs de la carcasse d'agneau classes en utilisant les caractéristiques extraites des côtes d'agneau avec des images a été comparé modèle statistique multivariée (analyse discriminante en fonction (DFAE)) à l'égard de la qualité de classification. Douze éléments géométriques ont été extraits de chacune des images acquises côtes d'agneau. En outre, 136 éléments de texture (90 co-occurrence, le 10 courir longueur et 36 différence de niveau de gris histogramme) ont également été extraites des images acquises. Quatre séries de réduction comprenant six caractéristiques géométriques, huit co-occurrence texture, quatre courir longueur de texture et de quatre niveaux de gris histogramme différence fonctionnalités ont été générés sur la base des résultats de la dimension de réduction. Les quatre ensembles de fonctionnalités réduites, individuellement ou en combinaisons différentes ont été utilisées pour la classification et l'aide ANN DFAE. Plusieurs configurations de réseau ont été testées et le classement exactitude de 96,9% a été réalisé à partir des trois-couche perceptron multi-couches (MLP) réseau. Sa performance a été de 12% supérieure à celle du DFAE. Caractéristiques géométriques jouent un rôle très important dans le classement. Co-occurrence caractéristiques jouent également un rôle tout aussi important dans le classement. DEWEY : 664 ISSN : 0260-8774 RAMEAU : Vision par ordinateur En ligne : http://www.sciencedirect.com/science?_ob=ArticleListURL&_method=list&_ArticleLis [...] [article] Classification of lamb carcass using machine vision: comparison of statistical and neural network analyses [texte imprimé] / Chandraratne, M. R., Auteur ; Kulasiri, D., Auteur ; Samarasinghe, S., Auteur . - 26-34 p. Génie Chimique Langues : Anglais (eng) in Journal of food engineering > Vol. 82 N°1 (Septembre 2007) . - 26-34 p. Mots-clés : Computer  vision  Machine  vision  Image  analysis  Texture  features  Lamb  grading  Meat  quality  Artificial  neural  networks  Co-occurrence  matrix  Run  length  matrix  Grey-level  difference  histogram  Vision  par  ordinateur  Machine  de  vision  Analyse  d'image  Texture  fonctionnalités  Agneau  de  classement  La  qualité  de  la  viande  Réseaux  de  neurones  artificiels  matrice  de  Co-occurrence  Exécuter  longueur  matrice  Histogramme  de  différence  de  niveau  gris Index. décimale : 664 Résumé : In this study, the ability of artificial neural network (ANN) models to predict the lamb carcass grades using features extracted from lamb chop images was compared with multivariate statistical model (discriminant function analysis (DFA)) with respect to the classification accuracy. Twelve geometric features were extracted from each of the acquired lamb chop images. In addition, 136 texture features (90 co-occurrence, 10 run length and 36 grey-level difference histogram) were also extracted from the acquired images. Four sets of reduced features comprising six geometric, eight co-occurrence texture, four run length texture and four grey-level difference histogram features were generated based on the results of dimensionality reduction. The four sets of reduced features, individually and in different combinations, were utilised for classification using ANN and DFA. Several network configurations were tested and the classification accuracy of 96.9% was achieved from the three-layer multi-layer perceptron (MLP) network. Its performance was 12% better than that from the DFA. Geometric features play a very important role in classification. Co-occurrence features also play an equally important role in classification. Dans cette étude, la capacité des réseaux de neurones artificiels (RNA) des modèles prédictifs de la carcasse d'agneau classes en utilisant les caractéristiques extraites des côtes d'agneau avec des images a été comparé modèle statistique multivariée (analyse discriminante en fonction (DFAE)) à l'égard de la qualité de classification. Douze éléments géométriques ont été extraits de chacune des images acquises côtes d'agneau. En outre, 136 éléments de texture (90 co-occurrence, le 10 courir longueur et 36 différence de niveau de gris histogramme) ont également été extraites des images acquises. Quatre séries de réduction comprenant six caractéristiques géométriques, huit co-occurrence texture, quatre courir longueur de texture et de quatre niveaux de gris histogramme différence fonctionnalités ont été générés sur la base des résultats de la dimension de réduction. Les quatre ensembles de fonctionnalités réduites, individuellement ou en combinaisons différentes ont été utilisées pour la classification et l'aide ANN DFAE. Plusieurs configurations de réseau ont été testées et le classement exactitude de 96,9% a été réalisé à partir des trois-couche perceptron multi-couches (MLP) réseau. Sa performance a été de 12% supérieure à celle du DFAE. Caractéristiques géométriques jouent un rôle très important dans le classement. Co-occurrence caractéristiques jouent également un rôle tout aussi important dans le classement. DEWEY : 664 ISSN : 0260-8774 RAMEAU : Vision par ordinateur En ligne : http://www.sciencedirect.com/science?_ob=ArticleListURL&_method=list&_ArticleLis [...]