Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: classification and regression trees

Sortuj według:

Ogranicz wyniki do:

Seafloor mapping based on multibeam echosounder bathymetry and backscatter data using Object-Based Image Analysis : a case study from the Rewal site, the Southern Baltic

Janowski Ł., Tegowski J., Nowak J.

Oceanological and Hydrobiological Studies

2018

Vol. 47, No. 3

248--259

Seafloor mapping is a fast developing multidisciplinary branch of oceanology that combines geophysics, geostatistics, sedimentology and ecology. One of its objectives is to isolate distinct seabed features in a repeatable, fast and objective way, taking into consideration multibeam echosounder (MBES) bathymetry and backscatter data. A large-scale acoustic survey was conducted by the Maritime Institute in Gdańsk in 2010 using Reson 8125 MBES. The dataset covered over 20 km2 of a shallow seabed area (depth of up to 22 m) in the Polish Exclusive Economic Zone within the Southern Baltic. Determination of sediments was possible based on ground-truth grab samples acquired during the MBES survey. Four classes of sediments were recognized as muddy sand, very fine sand, fine sand and clay. The backscatter mosaic created using the Angular Variable Gain (AVG) empirical method was the primary contribution to the image processing method used in this study. The use of the Object-Based Image Analysis (OBIA) and the Classification and Regression Trees (CART) classifier makes it possible to isolate the backscatter image with 87.5% overall and 81.0% Kappa accuracy. The obtained results confirm the possibility of creating reliable maps of the seafloor based on MBES measurements. Once developed, the OBIA workflow can be applied to other spatial and temporal scenes.

Comparison of the CBR methodology and the cart algorithm applied to problem of casting defects classification

Regulski K., Rojek G.

Computer Methods in Materials Science

2014

Vol. 14, No. 3

180--189

The main scope of presented in this article research is the analysis of application of artificial intelligence methodologies at building of a computer system that should aid at problem of casting defects classification. The computer system is designed as a decision support tool in the diagnosis of casting defects for small and medium-sized plants, which implies restrictions according to the usage of data that, in this case, are not measured in real time of production. Without access to control data, the diagnosis of casting defects can be based on observations made by a technologist responsible for the inspection of ready castings. Those observations concern usually the type of damage, its distribution, location, occurrence or even color of surface. The problem of such observation based diagnosis can be resolved by building of a computer tool, which uses classification methodologies in order to give aid at casting defects classification. Presented research focus on two methodologies within artificial intelligence: Case-Based Reasoning (CBR) and Classification And Regression Trees (CART). The CBR methodology enables to use knowledge according to previously made classifications in order to help predict the present classification problem. The decision support system with the applied CBR methodology is able to learn basing on the knowledge which is acquired in the result of classifications performed by this system. The CART algorithm enables to generate classification tree, which can be easily used by a technologist or by an expert system, giving support at defect diagnosis. Presented in this article research concerns comparison of those two methodologies in terms of their usefulness at designing the system operating in conditions of small and medium-sized casting factory.

Przedstawionym w artykule głównym obszarem badań jest analiza zastosowania metod sztucznej inteligencji w budowaniu systemu komputerowego, mogących wspierać problem klasyfikacji wad odlewniczych. System komputerowy jest projektowany jako narzędzie wspomagania decyzji w diagnostyce wad odlewniczych dla małych i średnich zakładów, co powoduje ograniczenia w wykorzystaniu danych, w tym przypadku bowiem parametry procesu nie są mierzone w rzeczywistym czasie produkcji. Bez dostępu do danych odnoszących się do parametrów sterowania, klasyfikacja wad może opierać się na obserwacjach dokonywanych przez technologów odpowiedzialnych za badanie gotowych odlewów. Obserwacje dotyczą zazwyczaj rodzaj uszkodzenia, jego rozmieszczenia, położenia oraz występowania lub nawet koloru powierzchni badanego materiału. Problem rozpoznawania typu wady może zostać rozwiązany poprzez budowę narzędzia komputerowego, które używa metod klasyfikacji w celu wsparcia użytkownika w zakresie poprawnej detekcji wad. Badania koncentrują się na dwóch metodologiach z zakresu sztucznej inteligencji: wnioskowaniu epizodycznym (CBR) oraz drzewach klasyfikacyjnych i regresyjnych (CART). Metodologia CBR pozwala na wykorzystaniu wiedzy o poprzednio dokonanych klasyfikacjach w celu przewidywania rezultatu bieżącego problemu klasyfikacji. Metodologia CBR umożliwia również naukę systemu wspomagania decyzji na podstawie wiedzy o dokonywanych przez ten system klasyfikacjach. CART pozwala generować drzewo klasyfikacyjne, które może być łatwo użyte przez technologów albo może być wykorzystywane przez system ekspertowy. Prezentowane porównanie dotyczy użyteczności tych metod w projektowaniu systemu działającego w warunkach małego i średniego zakładu odlewniczego.