کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864782 1439552 2018 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Automatic illumination planning for robot vision inspection system
ترجمه فارسی عنوان
برنامه ریزی روشنایی خودکار برای سیستم بازرسی چشم ربات
کلمات کلیدی
روشنایی خودکار، بازرسی چشم انداز ربات، تجزیه و تحلیل کیفیت تصویر، یادگیری ویژگی
ترجمه چکیده
تصویر اصلی با کیفیت بالا در سیستم بازرسی چشم انداز ربات بسیار مهم است و نورانی یک مولفه مهم است که به طور مستقیم روی سیستم تصویربرداری نوری دوربین تاثیر می گذارد و نقش تعیین کننده ای در کیفیت تصویر دارد. برای تضمین سیستم تصویربرداری دوربین برای تصاویر با کیفیت بالا و دستیابی به کنترل نور اتوماتیک در حرکت روبات بازرسی در محیط تاریک، این مقاله پیشنهاد می دهد که یک روش برنامه ریزی شدت نور مناسب بر اساس روش کیفی تصویری ارائه شود. این عمدتا با ساخت یک مدل محاسباتی برای به طور خودکار پیش بینی های شدت نور بهینه برای کیفیت تصویر دلخواه هنگامی که فاصله دوربین مشاهده می شود نوسان می یابد. قبل از مدل سازی رگرسیون، لازم است که ویژگی های تشخیصی که کیفیت تصویر را نشان می دهند، استخراج کنیم. ما با استفاده از یادگیری عمیق به جای مهندسان انسانی، با استفاده از مهندسی دقیق و تخصص دامنه، نیاز به استخراج ویژگی داشتیم. روش های یادگیری عمیق روش های یادگیری نمایندگی است که اجازه می دهد تا دستگاه با داده های خام تامین شود و به طور خودکار کشف نمایندگی هایی که نیاز به رگرسیون یا طبقه بندی دارند. نتایج تجربی نشان دهنده امکان و کارایی این روش است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
High-quality original image is very important in robot vision inspection system and illumination is a significant component that directly affect cameras optical imaging system and plays a decisive role on image quality. To guarantee camera imaging system for high-quality images and achieve automatic illumination control in the motion of inspection robot under dark environment, this paper proposes an optimal light intensity planning method based image quality analysis. It is mainly achieved by building a computational model to automatically predict optimal light intensity values for desired image quality when camera observation distances fluctuate. Before regression modeling, it is necessary to extract discriminative features representing image quality. We design feature extractor by deep learning instead of human engineers which required careful engineering and considerable domain expertise. Deep learning methods are representation-learning methods that allows a machine to be fed with raw data and to automatically discover the representations needed for regression or classification. Experimental results demonstrate the feasibility and efficiency of this method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 275, 31 January 2018, Pages 19-28
نویسندگان
, , , ,