Abstract
In this paper we present an effective and robust system to classify fruits under varying pose and lighting conditions tailored for an object recognition system on a mobile platform. Therefore, we present results on the effectiveness of our underlying segmentation method using RGB as well as depth cues for the specific technical setup of our robot. A combination of RGB low-level visual feature descriptors and 3D geometric properties is used to retrieve complementary object information for the classification task. The unified approach is validated using two multi-class RGB-D fruit categorization datasets. Experimental results compare different feature sets and classification methods and highlight the effectiveness of the proposed features using a Random Forest classifier
چکیده
در این مقاله قصد داریم سیستمی یکپارچه و کارآمد را به منظور دسته بندی میوه هایی با اشکال و وزن مختلف ارائه داده که در نهایت بتوان چنین سیستمی را برای تشخیص اشیاء بر روی یک پلت فرم سیال (موبایلی) بکار گرفت. بنابراین، نتایجی که در خصوص کارآمد بودن متد بخش بندی بکار گرفته شده در این سیستم بدست آمده است را به همراه سر نخ های مربوط به عمق، برای یک ستاپ فنی خاص و یا ربات پیشنهادی خود را ارائه خواهیم داد. همچنین از ترکیبی از تشریح کننده های ویژگی های بصر سطح پایین RGB به همراه مشخصه های هندسی سه بعدی استفاده شده تا بتوان اطلاعات مکمل یک شیئ را به منظور دسته بندی آن شیئ بدست آورد. از این رو، روش یکپارچه ای که ارائه خواهیم داد، با استفاده از دو مجموعه داده ای مربوط به دسته بندی میوه ای مالتی کلاس(چند گانه) (بر اساس مشخصه های رنگی(قرمز، سبز، آبی) و عمق) مورد ارزیابی قرار گرفته است. نتایج بدست آمده از آزمایشات صورت گرفته نیز به مقایسه ی مجموعه ویژگی ها و متد های دسته بندی مختلف پرداخته و کارآمد بودن ویژگی های پیشنهادی را با استفاده از دسته بند تحت عنوان جنگل تصادفی نشان میدهد
1-مقدمه
هدف مطالعه: تشخیص و دسته بندی شیئ را میتوان یکی از بسیار فعالیت هایی دانست که در حوزه ی بینایی کامپیوتر در سطح زیادی مورد مطالعه قرار گرفته است. از زمانی که حسگر های ارزان قیمتی مانند مایکروسافت کینکت که تشخیص دهنده ی مشخصه ی RGB-D میباشند به بازار عرضه شد، تقاضا برای روش های مبتنی بر RGB-D نیز در سطح جهانی افزایش یافت. فرایند تشخیص اشیاء را میتوان با بکار گیری اطاعات مربوط به مشخصه ی عمق و سایر ویژگی های بدست آمده از یک شیئ، به صورت دقیق تر انجام داده و بنابراین با احتمال بتوان از آن در اپلیکیشن های کاربردی استفاده کرد[1]-[6]. با توجه به چنین پیشرفت هایی، از یک ربات سرویس سیال به عنوان یک سیستم تشخیص میوه ها استفاده کرده ایم. به عنوان مثال، یک سوپر مارک را به عنوان یک سناریوی ساده و کاربردی در نظر بگیرید که در این سناریو، بدون این که مشتری دخالتی داشته باشد، ربات قادر به تشخیص قیمت میوه ها باشد...