Partial Erosion-Based Feature Extraction Approach for Plastic Bottle Shape Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In order to utilize or to extract the shape information of objects in an image for recognition, classification or retrieval, a method for representing a shape is needed. In this paper, a work on representing plastic bottle shape using morphological based approach for an automated classification is reported. Morphological operations are used to describe the structure or form of an image. There are three primary morphological functions: erosion, dilation, and hit-or-miss. By using the two-dimensional description of plastic bottle silhouettes, we perform edge detection of the object silhouette followed by the erosion process. This work will compare two versions of erosion which are regular erosion, the matlab function imerode and the improved version of erosion which is called partial erosion. The erosion technique involves defining a set of flat and linear structuring elements and specifying the angle at 1o apart to obtain the maximum number of elements of 180o degrees. This is followed by a normalization procedure in which we divide the sum pixel value after erosion by the sum pixel of the whole silhouette. The normalized values are grouped into histograms of 9 bins and find the maximum number of the 9 histogram bin of sum pixel value (9HbSPV) obtained forms a set of feature set and is then used as inputs to train a neural network for plastic bottle shape classification. Both feature sets from the two types of erosion were tested on their uniqueness to represent the shape. Results obtained showed that the proposed feature extraction method can be applied to discriminate plastic bottles according to shape, either slim or broad bottles, efficiently.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle