Multi-Aras Rangkaian Neural untuk Pengecaman Warna
Keperluan sistem pengecaman warna secara automatik dalam industri, aplikasi secara komersil, mahupun pertanian telah menjadi semakin penting. Contohnya seperti pengkodan warna dalam pembuatan barangan elektrik, kesesuaian ton warna dalam menyamak kulit binatang dan dalam industri cat, pengecaman...
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English Malay |
| Published: |
1999
|
| Subjects: | |
| Online Access: | http://psasir.upm.edu.my/id/eprint/9636/1/FSKTM_1999_9_A.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Keperluan sistem pengecaman warna secara automatik dalam industri,
aplikasi secara komersil, mahupun pertanian telah menjadi semakin penting.
Contohnya seperti pengkodan warna dalam pembuatan barangan elektrik,
kesesuaian ton warna dalam menyamak kulit binatang dan dalam industri cat,
pengecaman warna sebagai bantuan bagi yang buta atau buta-warna dan
pengecaman sebagai parameter yang boleh dipercayai bagi pengecaman objek
dalam robotik. Contoh yang lebih khusus ialah pengkelasan warna berlian,
pengawalan kualiti bagi pembuatan kertas warna dan penggredan buah-buahan
berdasarkan warna.
Kaedah multi-aras rangkaian neural digunakan untuk mengecam warna
secara automatik. Data yang mewakili warna diimbas menggunakan Minolta
Chroma Meter yang berupaya menukarkan warna kepada nilai. Ia menyediakan lima sistem wama bagi pengukuran kromatisiti iaitu CIE Yxy, L*a*b*, L*C*Ho,
Hunter Lab dan XYZ. Hanya sistem warna L *a*b* yang digunakan bagi kajian ini.
Pada awal kajian, dua jenis rangkaian neural digunakan iaitu
backpropagation (BP) dan counterp ropagation (CPN). Sebanyak 100 data (warna)
digunakan sebagai pengujian. Hasilnya didapati dalam masa yang singkat, CPN
telah mencapai 100% pengecaman data yang dilatih dan data yang tidak dilatih
berbanding dengan BP yang hanya mencapai 49% pengecaman bagi data dilatih
dan 48% bagi data tidak dilatih.
Apabila bilangan data ditambah kepada 808, proses latihan memerlukan
ruang ingatan yang besar, masa pembelajaran yang lebih lama dan peratus
pengecaman kurang memuaskan. Bagi menyelesaikan masalah tersebut, gabungan
dua rangkaian CPN telah dibangunkan. Hasilnya peratus pengecaman bertambah
baik berbanding kajian awal dengan 99% pengecaman bagi data yang dilatih dan
data yang tidak dilatih. |
|---|