magistrsko delo
Blaž Krpan (Avtor), Božidar Potočnik (Mentor)

Povzetek

Pšenica je ena izmed najbolj priljubljenih žitaric v prehrambni industriji, zato je nadzor kakovosti pšenice ključnega pomena. V okviru magistrske naloge smo pokazali, da je mogoče proces nadzora kakovosti pšenice avtomatizirati in izboljšati v primerjavi z današnjim pristopom. Reševanja problema smo se lotili z računalniško analizo digitalnih slik in spektralnih odzivov zrn ter uporabo algoritmov strojnega učenja. Posebno pozornost smo posvetili združevanju obeh tipov podatkov. Prišli smo do zaključka, da lahko z natančnostjo 90 % ali več razvrstimo zrna zdrave pšenice in ostalih 8 razredov, ki predstavljajo poškodovana zrna in druga žita. Za potrditev rezultatov in izboljšanje robustnosti algoritma predlagamo še dodatne eksperimente.

Ključne besede

nadzor kakovosti;pšenica;strojno učenje;razvrščanje;obdelava slik;

Podatki

Jezik: Slovenski jezik
Leto izida:
Tipologija: 2.09 - Magistrsko delo
Organizacija: UM FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Založnik: B. Krpan
UDK: 004.93'1:633.11(043.2)
COBISS: 19317014 Povezava se bo odprla v novem oknu
Št. ogledov: 878
Št. prenosov: 74
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Angleški jezik
Sekundarni naslov: Wheat grains quality control with advanced methods for image processing and pattern recognition
Sekundarni povzetek: Wheat is one of the most produced cereals for food industry worldwide. Therefore quality control of wheat is an essential part of the supply chain. In the thesis, it has been shown that it is possible to automatize and improve the wheat quality inspection procedures used today. To solve the problem digital images and spectral responses of the grains have been analysed in combination with the machine learning algorithms. Additional effort has been spent on combining the two types of data. Conclusion has been made that it is possible to distinguish between the healthy wheat and the other 8 classes, which represent damaged grains and other cereals, with the accuracy of 90% or more. In order to confirm the results and improve the robustness of the developed algorithm further experiments shall be made.
Sekundarne ključne besede: quality inspection;wheat;machine learning;classification;image processing;
URN: URN:SI:UM:
Vrsta dela (COBISS): Magistrsko delo/naloga
Komentar na gradivo: Univ. v Mariboru, Fak. za elektrotehniko, računalništvo in informatiko, Računalništvo in informacijske tehnologije
Strani: VII, 62 f.
ID: 9055844