این بخش آرکوپال دینو به طور مفصل سه روش کلیدی را برای تحقق طبقه‌بندی قطعه خودکار معرفی می‌کند: پیش پردازش داده، تقویت داده‌ها و شبکه طبقه‌بندی. استاندارد کردن داده ها از طریق روش های پیش پردازش داده ها برای افزایش در دسترس بودن داده ها و کاهش دشواری آموزش مدل.
استفاده از روش‌های افزایش داده‌ها آرکوپال، تعداد مجموعه‌های داده را به شدت افزایش می‌دهد و توانایی تعمیم مدل را بهبود می‌بخشد. یک شبکه کانولوشن عمیق برای استخراج ویژگی های تصویر و طبقه بندی خرده های چینی بر این اساس طراحی شده است.
پیش پردازش داده ها
در فرآیند استخراج تصاویر، شبکه های کانولوشن نمی توانند به طور مستقل بین ویژگی های کلیدی و ویژگی های بی فایده تمایز قائل شوند. برای این مطالعه، الگو ویژگی کلیدی است و بقیه ویژگی‌های بی‌فایده هستند.
به منظور بهبود کارایی آموزش شبکه بارکد خوان، این تحقیق یک روش پیش پردازش داده ها همراه با الگوریتم های تقسیم بندی رنگ را پیشنهاد می کند که هدف آن حذف یا کاهش تأثیر منفی ویژگی های بی فایده بر آموزش شبکه است. جریان پردازش داده های این روش در شکل 1 نشان داده شده است.
نمایش در اندازه کامل
ایده اصلی این روش استخراج ناحیه آرکوپال فرانسه الگو با استفاده از ویژگی رنگی برجسته الگوی آبی و سفید است. تفکر خاص تبدیل فضای رنگی (از RGB به HSV) پس از نمونه برداری از تصویر اصلی و حذف نویز است، سپس پیکسل ها در محدوده تعریف شده توسط قانون توزیع رنگ آبی و سفید علامت گذاری می شوند.
در نهایت، تصویر با کوچکترین مربعی که تمام پیکسل‌ها را می‌پیچد، برش داده می‌شود و اندازه به یک مقدار یکنواخت بازنشانی می‌شود تا استانداردسازی کامل شود. تصویر استاندارد شده تأثیر اطلاعات نامربوط بر روی مدل را سرکوب می کند و از مشکل اعوجاج تصویر ناشی از تغییر مستقیم اندازه تصویر جلوگیری می کند.
علاوه بر این، اندازه منطقه برش تصویر با محاسبه IoU هنگام محاسبه کوچکترین مربع برای بهبود استحکام الگوریتم در تحقیق کنترل می شود. روش محاسبه IoU در این مقاله با فرمول (1) نشان داده شده است.
- منابع:
- تبلیغات:
