BibTex RIS Cite

Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması

Year 2012, Volume: 16 Issue: 2, 212 - 217, 13.07.2014

Sedat Meltek Bayram Çetişli

Abstract

Bu çalışmada kameralı bir sistemin renk algılayıcılı bir sisteme göre, gerçek zamanlı nesne tanımada daha hızlı çalıştığı gösterilmektedir. Bu amaç doğrultusunda Festo firmasının ürettiği birbirine bağlı dört deney setine donanımsal ve yazılımsal olarak müdahale edilmiştir. CMOS kamera, görüntü işleme yöntemleri ve Bayes sınıflayıcı kullanılarak nesnelerin daha kısa zamanda ve doğru bir şekilde sınıflandırılması sağlanmıştır. Deney setinin çıkış kısmında yapılan sınıflandırma, PLClerle (Programlanabilir Mantık Denetleyicileri) kontrol edilmektedir. Bu işlem, yeni düzenekte bilgisayarla paralel port üzerinden denetlenmektedir. Elektro-mekanik kontrollü pnömatik kolların kontrolü için ayrıca bir elektronik sürücü devresi tasarlanmıştır. Renk algılayıcının yerine yerleştirilen renkli kamera ile yaklaşık üç kat daha hızlı bir sınıflandırma başarısı elde edilmiştir.

Keywords

Endüstriyel otomasyon gerçek zamanlı görüntü işleme Bayes sınıflayıcı

References

  • Davies E.R. 2005. Machine Vision, Third Edition:Theory, Algorithms, Practicalities. Publisher, Morgan Kaufmann, 934pp.
  • Dworkin, S.B., Nye T.J. 2006. Image processing for machine vision measurement of hot formed parts. Journal of Materials Processing Technology, 174, 1-6.
  • Fazel Zarandi, M.H., Zarinbal, M., Izadi, M., 2009. Systematic image processing for diagnosing brain tumors: A Type-II fuzzy expert system approach. Applied Soft Computing, 11, 285-294.
  • Gose, E., Johnsonbaugh, R., 1996. Statistical decision making. In: Pattern Recognition and Image Analysis. Prentice Hall PTR, New Jersey, 84 p.
  • Jain, R., Kasturi, R., Schunck, B.G., 1995, Machine Vision, Publisher, McGraw-Hill, 549p.
  • Kang, T., Ren, K., Pan L., Hongwen. L., 2007. A Study of Broccoli Grading System Based on Machine Vision and Neural Networks. Proc. of the 2007 IEEE Int. Conf. on Mechatronics and Automation 5 – 8 August, Harbin/China.
  • Lino, A.C.L., Sanches, J., Fabbro, I.M.D., 2008. Image processing techniques for lemons and tomatoes classification Bragantia, Campinas, 67(3), 785-789.
  • Metlek, S., 2009. Üretim Bandı Üzerindeki Renkli Silindir Parçalarının Makine Görme Sistemiyle Tanımlanması Ve Sınıflandırılması. Yüksek Lisans Tezi, SDÜ, Fen Bilimleri Enstitüsü, Isparta, 87s.
  • Nagata, M., Cao Q. Study on Grade Judgment of Fruit Vegetables Using Machine Vision. http://web02.affrc.go.jp/english/publication/jarq/ 32-4/32-4-257-265.pdf. (Erişim Tarihi:18.01.2012)
  • Savran, A., Sankur, B., Bilge, M.T. 2012. Comparative Evaluation of 3D versus 2D Modality for Automatic Detection of Facial Action Units. Pattern Recognition, 45(2), 767-782
  • Unay, D., Gosselin, B. 2006. Apple Defect Segmentation by Artificial Neural Networks, Proc. of BeNeLux Conf. on Artificial Intelligence (BNAIC), Namur-Belgium,
  • Xiao, Q., 2007. Biometrics-Technology, Application, Challenge, and Computational Intelligence Solutions, IEEE Computational Intelligence Magazine, 2(2), 5–25.

Year 2012, Volume: 16 Issue: 2, 212 - 217, 13.07.2014

Sedat Meltek Bayram Çetişli

Abstract

References

  • Davies E.R. 2005. Machine Vision, Third Edition:Theory, Algorithms, Practicalities. Publisher, Morgan Kaufmann, 934pp.
  • Dworkin, S.B., Nye T.J. 2006. Image processing for machine vision measurement of hot formed parts. Journal of Materials Processing Technology, 174, 1-6.
  • Fazel Zarandi, M.H., Zarinbal, M., Izadi, M., 2009. Systematic image processing for diagnosing brain tumors: A Type-II fuzzy expert system approach. Applied Soft Computing, 11, 285-294.
  • Gose, E., Johnsonbaugh, R., 1996. Statistical decision making. In: Pattern Recognition and Image Analysis. Prentice Hall PTR, New Jersey, 84 p.
  • Jain, R., Kasturi, R., Schunck, B.G., 1995, Machine Vision, Publisher, McGraw-Hill, 549p.
  • Kang, T., Ren, K., Pan L., Hongwen. L., 2007. A Study of Broccoli Grading System Based on Machine Vision and Neural Networks. Proc. of the 2007 IEEE Int. Conf. on Mechatronics and Automation 5 – 8 August, Harbin/China.
  • Lino, A.C.L., Sanches, J., Fabbro, I.M.D., 2008. Image processing techniques for lemons and tomatoes classification Bragantia, Campinas, 67(3), 785-789.
  • Metlek, S., 2009. Üretim Bandı Üzerindeki Renkli Silindir Parçalarının Makine Görme Sistemiyle Tanımlanması Ve Sınıflandırılması. Yüksek Lisans Tezi, SDÜ, Fen Bilimleri Enstitüsü, Isparta, 87s.
  • Nagata, M., Cao Q. Study on Grade Judgment of Fruit Vegetables Using Machine Vision. http://web02.affrc.go.jp/english/publication/jarq/ 32-4/32-4-257-265.pdf. (Erişim Tarihi:18.01.2012)
  • Savran, A., Sankur, B., Bilge, M.T. 2012. Comparative Evaluation of 3D versus 2D Modality for Automatic Detection of Facial Action Units. Pattern Recognition, 45(2), 767-782
  • Unay, D., Gosselin, B. 2006. Apple Defect Segmentation by Artificial Neural Networks, Proc. of BeNeLux Conf. on Artificial Intelligence (BNAIC), Namur-Belgium,
  • Xiao, Q., 2007. Biometrics-Technology, Application, Challenge, and Computational Intelligence Solutions, IEEE Computational Intelligence Magazine, 2(2), 5–25.
There are 12 citations in total.

Details

Primary Language English
Journal Section MÜHENDİSLİK ve MİMARLIK BİLİMLERİ
Authors

Sedat Meltek

Bayram Çetişli This is me

Publication Date July 13, 2014
Published in Issue Year 2012 Volume: 16 Issue: 2

Cite

APA Meltek, S., & Çetişli, B. (2014). Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 16(2), 212-217. https://doi.org/10.19113/sdufbed.31291
AMA Meltek S, Çetişli B. Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması. SDÜ Fen Bil Enst Der. March 2014;16(2):212-217. doi:10.19113/sdufbed.31291
Chicago Meltek, Sedat, and Bayram Çetişli. “Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 16, no. 2 (March 2014): 212-17. https://doi.org/10.19113/sdufbed.31291.
EndNote Meltek S, Çetişli B (March 1, 2014) Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 16 2 212–217.
IEEE S. Meltek and B. Çetişli, “Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması”, SDÜ Fen Bil Enst Der, vol. 16, no. 2, pp. 212–217, 2014, doi: 10.19113/sdufbed.31291.
ISNAD Meltek, Sedat - Çetişli, Bayram. “Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi 16/2 (March 2014), 212-217. https://doi.org/10.19113/sdufbed.31291.
JAMA Meltek S, Çetişli B. Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması. SDÜ Fen Bil Enst Der. 2014;16:212–217.
MLA Meltek, Sedat and Bayram Çetişli. “Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması”. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 16, no. 2, 2014, pp. 212-7, doi:10.19113/sdufbed.31291.
Vancouver Meltek S, Çetişli B. Gerçek Zamanlı Endüstriyel Nesne Tanımada Kameraların Kullanılması. SDÜ Fen Bil Enst Der. 2014;16(2):212-7.

e-ISSN: 1308-6529