Przetwarzanie graficznych danych empirycznych dla potrzeb edukacji sztucznych sieci neuronowych, modelujących wybrane zagadnienia inżynierii rolniczej

• Autorzy: Nowakowski K. , Boniecki P. , Weres J. , Mueller W.

Warianty tytułu

EN

Processing graphics empirical data for the needs of education of artificial neural networks, modeling selected problems of agriculture engineering

• Języki publikacji: PL

Abstrakty

PL

Wykorzystanie sztucznych sieci neuronowych do odwzorowania wielowymiarowych graficznych zbiorów danych jest nieefektywne a nawet wręcz niemożliwe, co może być spowodowane chociażby niejednorodną reprezentacją wielkości w układzie czy rozmiarem wektora tych wielkości. W takich przypadkach wskazane jest użycie bloku przetwarzania wstępnego tzw. preprocesora. Zaprojektowanie i wytworzenie systemu informatycznego dla tego właśnie celu pozwoliło na transformację danych pierwotnych (zdjęcia fotograficzne) do takiej reprezentacji danych, która będzie odpowiednia dla wykorzystania procesie uczenia sieci neuronowej [Tadeusiewicz i in. 1991].

EN

The use of artificial neural networks for representing multidimensional graphic data sets is ineffective and even not possible, which can be caused for example by heterogeneous representation of the parameter in the system or the size of the vector of these parameters. In such cases it is advisable to use a preprocessing block, the so called preprocessor. Developing and making IT system specifically for this purpose allowed to transform the primary data (photographic pictures) into data representation, to be appropriate for using in the neural network learning process.

Słowa kluczowe

PL

piksel; filtracja; segmentacja; kompresja; składowe RGB

EN

pixel; filtration; segmentation; compression; element of RGB

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2007
• Tom: R. 11, nr 2 (90)
• Strony: 243--248
• Opis fizyczny: Bibliogr. 4 poz., rys.

Twórcy

autor

Nowakowski K.

autor

Boniecki P.

autor

Weres J.

autor

Mueller W.

• Uniwersytet Przyrodniczy w Poznaniu, Wydział Rolniczy, Instytut Inżynierii Rolniczej,

Bibliografia

• Choraś R. 2005. Komputerowa wizja. Metody interpretacji i identyfikacji obiektów Wyd. EXIT. s. 10-30.
• Malina W., Smiatacz M. 2005. Metody cyfrowego przetwarzania obrazów. Wyd. EXIT. s. 1-40.
• Marciniak A., Korbicz J. 1999. Diagnozowanie dynamicznych obiektów nieliniowych z wykorzystaniem statycznych sieci neuronowych. Mat. XIII Krajowej Konferencji Automatyki.
• Tadeusiewicz R., Flasiński M. 1991. Rozpoznawanie obrazów – PWN Warszawa. s. 4-50.