عنوان پایان‌نامه
شناسائی نوع کالاهای داخل محفظه باربری کامیون با استفاده از تصاویر X-Ray
- رشته تحصیلی
- علوم تصمیم و مهندسی دانش
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74999;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74999
- تاریخ دفاع
- ۲۸ تیر ۱۳۹۵
- دانشجو
- مجید عبدالشاه
- استاد راهنما
- مهدی تیموری
- چکیده
- در دنیا ی پیشرفته ی امروز، روزانه صدها هزار از انواع تصاویر مختلف تولید می شوند. این حجم از داده های خام در جنبه های مختلف نیازمند طبقه بندی، بررسی و سازمان یافتن می باشند. روش های طبقه بندی علاوه بر دقت مناسب باید دارای کارایی و سرعت اجرای مناسب نیز باشند. طبقه بندی و آنالیز تصاویر دیجیتال به کمک تکنیک های بازشناسی الگو یکی از به روزترین و کاراترین مسایل پردازش تصاویر دیجیتال می باشد. در این پژوهش به طور خاص برخی از تکنیک های بازشناسی الگو و پردازش تصاویر دیجیتال برای آنالیز تصاویر کانتینرهای حامل بار مورد استفاده قرار گرفته است. این تصاویر به کمک پرتاب اشعه های قوی ایکس به سمت کانتینرهای حامل بار به دست می آیند. هدف از این پژوهش، ارائه و پیاده سازی روشی دقیق و کارا برای بررسی صحت محتویات اجناس داخل کانتینرها بر اساس اظهارنامه های ارائه شده توسط صاحبان این کانتینرها کانتینر ها به دسته های از پیش تعریف شده X-Ray می باشد. بررسی صحت و تطبیق این تصاویر، شامل طبقه بندی تصاویر می باشد. این طبق هبندی ها، معرف انواع دسته کالا های موجود در کانتینرها می باشد. در این پژوهش، تکنیک پیشنهادی برای حل این مساله به کمک رویکرد تبدیل مستقل از مقیاس ویژگی و درخت افزوده بیز می باشد. برای بررسی و ارزیابی الگوریتم ارائه شده در مقایسه با الگوریتم های پیشین، تمامی الگوریتم ها بر روی داده های آزمون و آزمایش مقایسه شده اند. در الگوریتم های پیشین رویکرد ارائه شده بر اساس روش های حریصانه و استفاده از هیستوگرام تمامی بخش های تصویر بوده است. نتایج بدست آمده نشان دهنده ی کارایی بالای الگوریتم ارائه شده در بعد دقت و زمان در مقایسه با دیگر الگوریتم های کار شده در این موضوع می باشد. دقت الگوریتم ارائه شده در مقایسه با الگوریتم های پیشین ? ?? به طور میانگین بهتر می باشد. همچنین زمان اجرای الگوریتم ارائه شده با توجه به بر-خط بودن سیستم به طور میانگین ???? برابر نسبت به روش های پیشین بهبود پیدا کرده است. پردازش تصاویر دیجیتال، درخت افزوده بیز، تبدیل ، X-Ray کلمات کلیدی: کانتینر های حامل بار، اظهارنامه ی بار، تصاویر مستقل از مقیاس ویژگی ، طبقه بندی تصاویر دیجیتال.
- Abstract
- In the recent years of technology, thousands of images are creating for different reasons everyday. These raw data need to be preprocessed, categorized and orgnaized from different point of views. The classification of images not only must be accurate and valid, but also it must be time efficient for handling such great volume of data. Nowadays, the classification of images with pattern recognition approaches are one of the most important fields in the image processing and computer vision technologies. In this thesis, we specifically consider the X-Ray images of shipping containers for the task of understanding and classifying. These images are created by aiming the containers with strong X-Ray. In this research our aim is to develop an accurate method for classification of X-Ray images, obtained from containers by X-Ray. The proposed classifier matches the presented manifest of the container with the real contents of the container by classifying the contents of the container images. For this, we used Scale Invariant Feature Transform and Tree Augmented Naive Bayes approaches. For testing and evaluation of the proposed algorithm, we implemented the previous recent studies and analyzed them with our obtained dataset. In the previous studies, the basic approach is based on using greedy algorithms on histograms of the whole image. The obtained results proves the efficiency of the proposed algorithm, not only in accuracy but also in time complexity. Experimental results show that the proposed method increases the classification accuracy by an average of 30% compared to the other recently developed methods. Also our algorithm enhances the running time efficiency of image classification on containers X-Ray images to approximately 18 times higher than other algorithms. Keywords: Shipping Containers, X-Ray Images, Digital Image Processing, Tree Augmented Naive Bayes, Scale Invariant Feature Selection, Classification of Digital Imag
