Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Analysis recognition of Ghost Pepper and Cili-Padi using Mask RCNN and YOLO

Yin L. L., Zainudin M.N.Shah, Saad W. H. Mohd, Sulaiman N. A., Idris M. I., Kamarudin M. R., Mohamed R., Razak M. S. J. A.

Przegląd Elektrotechniczny

2023

R. 99, nr 8

92--97

Fruit harvesting robots have made headlines in the agricultural industry in recent years. A fruit recognition system would assist farmers or agricultural industry practitioners in lessening workloads while increasing crop yields. Due to the similar characteristics of chili fruits, approximating the chili according to their grades and identifying its maturity will be difficult. Furthermore, because of their different appearances and sizes, distinguishing between the fruits and the leaves becomes difficult. As a result, a real-time object detection algorithm called You Only Look Once (YOLO) and Mask-RCNN is investigates in order to distinguish the fruit from its plant based on its shape and colour. YOLO version 5 (YOLOv5) uses to define and distinguish the chili fruits and its leaves based on two characteristics; shape and colour. The CSPDarknet network serves as the backbone in YOLOv5, where feature extraction and mosaic augmentation has used to combine multiple images into a single image. Total 391 images has divided into two subsets: training and testing, with an 80:20 ratio. YoLov5 is notable for its ability to detect small objects with high precision in a short amount of time while Mask-RCNN has proven its ability to recognize a chili fruits with high precision above 90%. The classification is evaluated using precision, recall, loss function, and inference time.

Roboty do zbioru owoców trafiły w ostatnich latach na pierwsze strony gazet w branży rolniczej. System rozpoznawania owoców pomógłby rolnikom lub praktykom z branży rolniczej w zmniejszeniu obciążenia pracą przy jednoczesnym zwiększeniu plonów. Ze względu na podobne cechy owoców chili przybliżenie chili według ich klas i określenie stopnia dojrzałości będzie trudne. Ponadto, ze względu na ich różny wygląd i rozmiary, odróżnienie owoców od liści staje się trudne. W rezultacie algorytm wykrywania obiektów w czasie rzeczywistym o nazwie You Only Look Once (YOLO) i Mask-RCNN jest badany w celu odróżnienia owocu od rośliny na podstawie jego kształtu i koloru. YOLO wersja 5 (YOLOv5) służy do definiowania i rozróżniania owoców chili i ich liści w oparciu o dwie cechy; kształt i kolor. Sieć CSPDarknet służy jako szkielet w YOLOv5, w którym wyodrębnianie cech i rozszerzanie mozaiki wykorzystano do łączenia wielu obrazów w jeden obraz. Łącznie 391 obrazów zostało podzielonych na dwa podzbiory: treningowe i testowe, ze stosunkiem 80:20. YoLov5 wyróżnia się zdolnością do wykrywania małych obiektów z dużą precyzją w krótkim czasie, podczas gdy Mask-RCNN udowodnił swoją zdolność rozpoznawania owoców chili z wysoką precyzją powyżej 90%. Klasyfikacja jest oceniana za pomocą precyzji, pamięci, funkcji utraty i czasu wnioskowania.

VSLAM analysis using various ORBSLAM parameters setting

Idris M. I., Hussin H., Junos S. A. M., Saad W. H. M., Shah Zainudin M. N., Yatim N. M., Jaafar A. S., Kamarudin M. R., Saipullah K. M.

Przegląd Elektrotechniczny

2022

R. 98, nr 9

40--45

SLAM or simultaneous localization and mapping system, is a system that determines the orientation and position of a robot by creating a detailed map of the environment while simultaneously tracking where the robot is within the environment. This project aims to use the camera as SLAM primary sensor to replace the LiDAR sensor frequently used in autonomous robots. ORBSLAM is used as the main algorithm, and a few settings are being adjusted to get the most accurate results. The Absolute Trajectory Error and Relative Pose Error are used to evaluate the algorithm's accuracy. After the most optimized setting is found, the setting is used for real-time mapping in an unknown environment.

SLAM lub system jednoczesnej lokalizacji i mapowania, to system, który określa orientację i pozycję robota, tworząc szczegółową mapę otoczenia, jednocześnie śledząc, gdzie robot znajduje się w środowisku. Celem tego projektu jest wykorzystanie kamery jako głównego czujnika SLAM, który zastąpi czujnik LiDAR często używany w autonomicznych robotach. ORBSLAM jest używany jako główny algorytm, a kilka ustawień jest dostosowywanych, aby uzyskać jak najdokładniejsze wyniki. Bezwzględny błąd trajektorii i względny błąd pozycji służą do oceny dokładności algorytmu. Po znalezieniu najbardziej zoptymalizowanego ustawienia jest ono używane do mapowania w czasie rzeczywistym w nieznanym środowisku.