Please use this identifier to cite or link to this item:
http://hdl.handle.net/10773/33882
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Neves, António José Ribeiro | pt_PT |
dc.contributor.advisor | Fonseca, Pedro Nicolau Faria da | pt_PT |
dc.contributor.author | Pires, Agostinho | pt_PT |
dc.date.accessioned | 2022-05-16T10:27:03Z | - |
dc.date.available | 2022-05-16T10:27:03Z | - |
dc.date.issued | 2021-12-03 | - |
dc.identifier.uri | http://hdl.handle.net/10773/33882 | - |
dc.description.abstract | A finalidade principal desta dissertação é avaliação de algoritmos de visão por computador com potencial para efetuar a deteção de sujidade no chão, através da captura de imagens digitais. A abordagem traçada vai de encontro com a aquisição de conhecimentos pelo executante, por algoritmos e métodos de aprendizagem auto-máquina. A aquisição destes conhecimentos é uma das principais motivações do executante em elaborar esta dissertação, pois esta abordagem tem presentes uma nova maneira de pensar com o uso de tecnologias mais contemporâneas como a visão por computador, onde métodos de aprendizagem auto-máquina surgem e apresentam bons resultados. O projeto IROCS pode beneficiar com esta dissertação de uma implementação que permite descartar e enquadrar formas diferentes de deteção de sujidade através de captura de imagens. Existem outras maneiras de efetuar análise de imagens visando deteção, mas no caso da sujidade e conforme a tecnologia existente na atualidade, uma câmara digital é a melhor hipótese. Através da captura de vídeo onde as imagens digitais são o principal recurso, estudou-se o processamento de imagem, aplicando vários métodos tanto de extração de caraterísticas, como classificação das mesmas, como a finalidade de deteção da sujidade, aos quais foram aplicados critérios de forma diferente. Esta dissertação apresenta métodos de aprendizagem máquina, métodos com ou sem supervisão, com classificação por rótulo ou probabilidade, utilizando um préprocessamento recorrendo a gradientes e com extração de caraterísticas em blocos, retirando dos blocos a média e o desvio padrão como recurso para a classificação. Os resultados obtidos foram motivadores, ofertando a capacidade de validar algoritmos como soluções com valência e descartar outros com menos potencial, em simultâneo, ter perceção das limitações que podem existir, verificando e analisando estes possíveis problemas e se são possíveis de contornar. | pt_PT |
dc.description.abstract | The main purpose of this dissertation is to evaluate computer vision algorithms with the potential to detect dirt on the floor, through the capture of digital images. The approach is the acquisition of knowledge by the performer, using algorithms and machine learning methods. This acquisition of this knowledge is one of the main motivations of the practitioner in preparing this dissertation, as this approach presents a new way of thinking with the use of more contemporary technologies such as computer vision, where machine learning methods emerging and giving good results. The IROCS project can benefit from this dissertation, with an implementation that allows discarding and framing different forms of dirt detection through image capture. There are other ways to perform image analysis for detection, but in the case of dirt and according to current technology, a digital camera is the best option. Through video capture, where digital images are the main resource, image processing and applying several methods, both of extraction of features, as classification of the same, as the purpose of detecting dirt, to which criteria were applied different way. This dissertation presents machine learning methods, methods with or without supervision, with classification by label or probability, using a pre-processing using gradients and with block feature extraction, removing the mean and standard deviation from the blocks as a resource for the classification. The results obtained were motivating, offering the ability to validate algorithms as solutions with valence and discard others with less potential, at the same time, being aware of the limitations that may exist, verifying and analyzing these possible problems and whether they are possible to overcome. | pt_PT |
dc.language.iso | por | pt_PT |
dc.rights | openAccess | pt_PT |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | pt_PT |
dc.subject | Visão por computador | pt_PT |
dc.subject | Aprendizagem auto-máquina | pt_PT |
dc.subject | Aprendizagem profunda | pt_PT |
dc.subject | KNN | pt_PT |
dc.subject | GMM | pt_PT |
dc.subject | Redes neuronais artificias | pt_PT |
dc.subject | Processamento de imagem digital | pt_PT |
dc.subject | Peceptron | pt_PT |
dc.subject | Deteção de objetos | pt_PT |
dc.title | Project i-RoCS: sistema de deteção de sujidade baseada em visão por computador | pt_PT |
dc.title.alternative | Projeto i-RoCS: dirt detection system based on computer vision | pt_PT |
dc.type | masterThesis | pt_PT |
thesis.degree.grantor | Universidade de Aveiro | pt_PT |
dc.description.master | Mestrado em Engenharia Eletrónica e Telecomunicações | pt_PT |
Appears in Collections: | UA - Dissertações de mestrado DETI - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Documento_Agostinho_Pires.pdf | 49.72 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.