bab v

BAB V

KEPUTUSAN DAN PERBINCANGAN

5.1 PENGENALAN

Bab ini membincangkan keputusan dan rumusan yang diperolehi hasil pelaksanaan

algoritma pengelasan imej botol plastik yang melibatkan tiga algoritma utama iaitu

dua algoritma berasaskan bentuk serta satu algoritma berasaskan analisa warna tekstur

silau.

Pengujian ke atas teknik yang digunakan dipaparkan melalui gambarajah blok

pada Rajah 5.1. Pelaksanaan pemprosesan imej dan sarian sifat menghasilkan vektor

sifat yang mewakili bentuk botol BUKAN-PET dan PET. Pelaksanaan pemprosesan

imej dan sarian sifat menghasilkan vektor sifat yang mewakili botol PET dan botol

BUKAN-PET. Taburan vektor sifat yang diperolehi berada pada serakan yang

berasingan mewakili kedua-dua jenis botol dan ini memudahkan persamaan pengelas

diperolehi. Keputusan pelaksanaan algoritma sarian sifat ini juga adalah hasil

pelaksanaan dua jenis teknik pengelasan iaitu rangkaian neural dan pendiskriminan

lelurus. Kaedah pengesahan bersilang digunakan untuk proses latihan dan pengujian

data pada alat pengelas. Menerusi kaedah ini, semua sampel data yang ada akan

dibahagi kepada lima set. Ini bertujuan memilih data yang terbaik antara semua

sampel data yang ada.

74

Rajah 5.1 Gambarajah blok model pemprosesan dan sarian vektor sifat

5.2 KEPUTUSAN PELAKSANAAN ALGORITMA KOD RANTAIAN

Algoritma pengelasan bentuk botol plastik berdasarkan kepada histogram nombor

bentuk yang dijana hasil jelajahan pinggir imej menggunakan FCC telah dijelaskan

dalam bab IV. Bab ini memaparkan keputusan pengelasan imej botol plastik kepada

bentuk BUKAN-PET atau PET menggunakan nilai ambang mudah. Sebelum

keputusan dibuat, pemilihan vektor sifat yang terbaik dilakukan dengan

menggunakan analisa statistik sisihan piawai. Rajah 5.2 menunjukkan beberapa

contoh vektor sifat yang disari dari histogram nombor bentuk serta 8 arah kod

rantaian.

Teknik pemprosesan

imej

Teknik sarian sifat

Vektor sifat

Penentuan pendiskriminan

lelurus

Pengujian pengelasan pengesahan 5 set sampel

imej baik

Pengukuran peratus

pengelasan

Pengelasan Rangkaian Neural

75

Imej /arah CC 0 1 2 3 4 5 6 7Imej 1 0.68 0.57 1.00 0.46 0.89 0.50 0.93 0.61Imej 2 0.87 0.46 0.46 0.41 1.00 0.41 0.44 0.49Imej 3 0.27 0.57 1.00 0.18 0.86 0.29 0.98 0.49Imej 4 0.26 0.14 1.00 0.12 0.64 0.08 0.43 0.41Imej 5 0.24 0.18 1.00 0.23 0.57 0.16 0.20 0.18Imej 6 0.58 0.24 1.00 0.26 0.67 0.20 0.24 0.26Imej 7 0.63 0.23 1.00 0.28 0.60 0.22 0.63 0.18Imej 8 0.32 0.39 1.00 0.09 0.79 0.20 0.91 0.36Imej 9 0.28 0.27 0.97 0.15 0.51 0.14 1.00 0.25Imej 10 0.48 0.23 1.00 0.36 0.72 0.23 0.39 0.26

Botol BUKAN-PET

Imej /arah CC 0 1 2 3 4 5 6 7Imej 1 0.10 0.06 1.00 0.03 0.16 0.03 1.00 0.06Imej 2 0.07 0.07 1.00 0.03 0.15 0.03 1.00 0.07Imej 3 0.07 0.03 1.00 0.06 0.22 0.06 0.96 0.03Imej 4 0.08 0.06 1.00 0.02 0.17 0.04 0.96 0.08Imej 5 0.12 0.06 1.00 0.05 0.17 0.07 0.93 0.11Imej 6 0.07 0.02 1.00 0.07 0.25 0.10 0.93 0.07Imej 7 0.05 0.14 1.00 0.05 0.19 0.05 0.84 0.09Imej 8 0.10 0.15 0.77 0.06 0.25 0.07 1.00 0.12Imej 9 0.05 0.11 1.00 0.07 0.37 0.10 0.70 0.11Imej 10 0.04 0.06 1.00 0.06 0.11 0.04 0.74 0.11

Botol PET

Rajah 5.2 Histogram 8 arah kod rantaian dengan susunan lingkaran tertutup

Jadual 5.1 Vektor sifat botol BUKAN-PET untuk 8 arah kod rantaian

Jadual 5.2 Vektor sifat botol PET untuk 8 arah kod rantaian

76

Jadual 5.1 dan Jadual 5.2 pula, memaparkan kesemua vektor sifat yang disari

berasaskan tujuh arah kod rantaian. Jika diperhatikan, arah 0, 2, 4 dan 6 merupakan

empat arah yang mempunyai nilai lebih tinggi berbanding arah 1, 3, 5 dan 7. Oleh itu,

pemilihan dilakukan dengan hanya mengambil nilai 0,2,4 dan 6 seperti Jadual 5.3 dan

Jadual 5.4. Analisa statistik telah dilakukan untuk melihat taburan sisihan piawai

untuk empat arah kod rantaian sahaja. Nilai sisihan piawai yang terhasil dari

pelaksanaan algoritma ini ditunjukkan seperti dalam Jadual 5.3 dan Jadual 5.4.

Jadual 5.3 Vektor sifat bermakna untuk botol BUKAN-PET

Jadual 5.4 Vektor sifat bermakna untuk Botol PET

Botol BUKAN PET Imej /arah

CC 0 2 4 6 stdev Imej 1 0.68 1.00 0.89 0.93 0.14 Imej 2 0.87 0.46 1.00 0.44 0.29 Imej 3 0.27 1.00 0.86 0.98 0.35 Imej 4 0.26 1.00 0.64 0.43 0.32 Imej 5 0.24 1.00 0.57 0.20 0.37 Imej 6 0.58 1.00 0.67 0.24 0.31 Imej 7 0.63 1.00 0.60 0.63 0.19 Imej 8 0.32 1.00 0.79 0.91 0.30 Imej 9 0.28 0.97 0.51 1.00 0.35 Imej 10 0.48 1.00 0.72 0.39 0.27

Botol PET Imej /arah

CC 0 2 4 6 stdev Imej 1 0.10 1.00 0.16 1.00 0.50 Imej 2 0.07 1.00 0.15 1.00 0.51 Imej 3 0.07 1.00 0.22 0.96 0.49 Imej 4 0.08 1.00 0.17 0.96 0.50 Imej 5 0.12 1.00 0.17 0.93 0.47 Imej 6 0.07 1.00 0.25 0.93 0.47 Imej 7 0.05 1.00 0.19 0.84 0.47 Imej 8 0.10 0.77 0.25 1.00 0.43 Imej 9 0.05 1.00 0.37 0.70 0.41 Imej 10 0.04 1.00 0.11 0.74 0.47

77

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0 50 100 150 200

Nilai Sisihan Piawai

Bilangan imej

Botol BUKAN-PET

Botol PET

0

0.1

0.2

0.3

0.4

0.5

0.6

0 50 100 150 200

Nilai Sisihan Piawai

Bilangan Imej

Botol BUKAN-PET

Botol PET

Rajah 5.3 Plot hasil pengelasan bentuk botol plastik untuk 4 set data

Rajah 5.4 Plot hasil pengelasan bentuk botol plastik untuk 8 set data

Keputusan yang diplot pada Rajah 5.3 dan Rajah 5.4 merupakan keputusan

pengelasan mudah menggunakan nilai ambang. Rajah 5.3 mewakili plot keputusan

sisihan piawai untuk empat set data arah kod rantaian yang bermakna iaitu 0, 2, 4 dan

6. Dengan hanya menggunakan pengelasan nilai ambang mudah bersamaan 0.4, kelas

bentuk botol iaitu PET dan BUKAN-PET telah dapat ditentukan. Keputusan berbeza

diperolehi jika melihat pada plot Rajah 5.4. Terdapat pertindihan antara dua kelas

78

bentuk botol PET dan BUKAN-PET. Ini disebabkan tiada pemilihan vektor sifat

dilakukan iaitu mengambil hanya empat vektor bermakna untuk bentuk botol tersebut.

Empat set data arah kod rantaian 0, 2, 4 dan 6 bermakna dan wujud pada pinggir

botol kerana kedudukan botol adalah menegak dengan tutup menghala ke atas.

Keputusan menggunakan kaedah penentuan berdasarkan nilai ambang untuk

pengelasan botol plastik merupakan kajian awal sebelum pelaksanaan semua

algoritma berasaskan bentuk berkaitan. Seterusnya satu lagi algoritma berasaskan

bentuk dibangunkan bagi mengatasi masalah yang dikesan semasa pembangunan

algoritma FCC seperti telah diterangkan pada seksyen 4.2.1.1. Semua keputusan

pengujian algoritma yang dibangunkan dalam kajian ini akan dipaparkan di dalam bab

ini seterusnya. Keputusan pengujian pengesahan melibatkan dua teknik pengelasan

yang digunakan iaitu rangkaian neural dan pendiskriminan lelurus.

5.3 SET SIFAT ALGORITMA HAKISAN SEPARA

Bahagian ini merupakan hasil pelaksanaan kaedah yang telah diterangkan pada

seksyen 4.2.3 di Bab 4. Algoritma hakisan separa menjana data-data iaitu nilai piksel

ternormal sebanyak 180 data. Pengiraan nilai piksel ternormal dilakukan dengan

menjumlahkan kesemua nilai piksel yang wujud setelah dilakukan operasi

penghakisan. Jumlah piksel yang wujud selepas operasi penghakisan disusun dalam

bentuk histogram, di mana setiap sudut 1o hingga 180o dikumpulkan secara kumpulan

atau selang. Oleh itu vektor sifat yang terhasil dipanggil histogram selang nilai piksel

ternormal. Sifat inilah yang digunakan sebagai sifat untuk peringkat pengelasan. Apa

yang penting, algoritma ini bertujuan mengkaji taburan piksel di sekeliling pinggir

imej botol bagi menentukan bentuk botol kepada dua kelas iaitu bentuk botol PET dan

BUKAN-PET. Plot taburan Rajah 5.5 (a) dan (b) menunjukkan plot taburan untuk

contoh sampel data 1o hingga 180o bagi sebuah imej botol PET dan BUKAN-PET.

Bagi memastikan tiada bahagian pinggir yang tidak dihakis, penambahan setiap 1o

sudut digunakan. Apa yang dipaparkan menunjukkan kesukaran menentukan vektor

sifat terbaik yang boleh membezakan antara dua jenis botol tersebut. Penerangan

berkenaan pemilihan vektor sifat terbaik dibincangkan dengan lebih terperinci di bab

ini seterusnya. Proses hakisan separa tidak dibuat sehingga 360o kerana pengulangan

79

0

0.01

0.02

0.03

0.04

0.05

0.06

1 19 37 55 73 91 109127145163

Jumlah Nilai Piksel

Bilangan Imej

Botol PET

00.0010.0020.0030.0040.0050.0060.0070.0080.009

1 15 29 43 57 71 85 99 113127141155169

Jumlah Nilai Piksel

Bilangan Imej

Botol BUKAN-PET

berlaku setelah 180o sudut dilaksanakan. Keadaan ini disebabkan botol plastik

mempunyai bentuk yang simetri.

Rajah 5.5 Plot vektor sifat 1o hingga 180o untuk sebuah imej (a) Botol PET dan (b) BUKAN-PET

5.3.1 Pemilihan Vektor Sifat

Oleh kerana bilangan 180 data, adalah terlalu banyak dan berkemungkinan

menghadapi kesukaran mencari vektor sifat terbaik, data-data tersebut perlu

dipermudahkan. Kaedah mempermudahkan data untuk pemilihan vektor sifat terbaik

dilakukan seperti berikut:

i. Langkah 1

Pengurangan ini dilakukan dengan membahagi 180 data tersebut dengan nilai

60, 30 dan 20. Rajah 5.6 (a), (b) dan (c) memaparkan plot tertabur untuk

ketiga-tiga data tersebut.

(b)

(a)

Rajah 5.6 Plot tertabur untuk pengurangan data 180

Jumlah Nilai Piksel

Jumlah Nilai Piksel

Jumlah Nilai Piksel

Plot tertabur untuk pengurangan data 180o bahagi (a)20, (b)30 dan (c)60

80

bahagi (a)20, (b)30 dan (c)60

81

ii. Langkah 2

Berasaskan plot tertabur di atas di dapati pengurangan data 180o kepada 9

selang iaitu 180o bahagi 20 adalah yang terbaik. Pemilihan dilakukan dengan

meletak nilai ambang 0.5 pada setiap plot tertabur untuk melihat plot yang

mana boleh memberi perbezaan terbaik. Garisan merah pada nilai ambang 0.5

menunjukkan Rajah 5.6 (b) dan (c) masing-masing mempunyai banyak ralat

kerana terdapat beberapa vektor sifat dari botol PET melepasi garis nilai

ambang tersebut dan begitu juga sebaliknya.

iii. Langkah 3

Pemilihan vektor ciri diteruskan dengan memilih vektor ciri berdasarkan

kaedah statistik. Sembilan data yang terhasil akan disusun menjadi histogram

data seperti yang ditunjukkan dalam Rajah 5.7. Vektor ciri terbaik disari bagi

mewakili bentuk botol PET dan BUKAN-PET iaitu nilai maksimum iaitu nilai

terbesar dan nilai maksimum kedua terbesar di kalangan sembilan selang data

nilai piksel ternormal.

Jadual 5.5 Sampel data untuk sembilan selang

Histogram unjuran pinggir dijana dengan melaksanakan operasi hakisan menggunakan

elemen struktur bersaiz tertentu dengan arah sudut berbeza bermula dari 0o hingga ke

180o. Setiap sudut pusingan elemen struktur tersebut menghasilkan jumlah piksel

selepas pelaksanaan operasi hakisan. Hasilnya adalah histogram frekuensi di mana

Botol PET Botol BUKAN-PET 1o hingga 20o 0.11 0.10

21o hingga 40o 0.02 0.01

41o hingga 60o 0.06 0.02 61o hingga 80o 0.24 0.07

81o hingga 100o 0.79 0.21

101o hingga 120o 0.20 0.06

121o hingga 140o 0.06 0.02

141o hingga 160o 0.03 0.01

160o hingga 180o 0.12 0.11

Nilai Maksimum 0.79 0.21 Nilai Maksimum2 0.24 0.11

82

setiap selang adalah arah pusingan elemen struktur dan frekuensi jumlah piksel yang

terhasil dari pinggir imej yang dihakis. Gambaran data untuk sembilan selang

dipaparkan dalam bentuk janaan histogram pada Rajah 5.7

Rajah 5.7 Contoh janaan histogram 9 bin piksel ternormal untuk sebiji botol (a)PET dan (b)BUKAN-PET

Hasil pemerhatian nilai yang paling ketara untuk dipilih sebagai vektor sifat adalah

nilai maksimum dan nilai maksimum kedua. Ini disebabkan kedua-dua nilai tersebut

boleh membezakan antara dua bentuk botol PET dan BUKAN-PET. Nilai maksimum

bagi kedua-dua bentuk tersebut berlaku di sudut yang kelima iaitu selang sudut antara

81o hingga 100o. Nilai maksimum kedua pula berlaku di selang sudut 61o hingga 80o

bagi botol PET dan 161o hingga 180o bagi botol BUKAN-PET. Kedua-dua nilai ini

yang diwarnakan kelabu dan biru boleh dirujuk pada Jadual 5.5. Perbezaan yang jelas

dapat dilihat daripada nilai maksimum vektor sifat yang terhasil dari histogram di atas.

Kedudukan nilai maksimum adalah pada sudut 90o kerana semua kedudukan botol

adalah menegak. Apabila dibandingkan antara nilai maksimum botol BUKAN-PET

dan botol PET, nilai maksimum botol BUKAN-PET adalah lebih kecil berbanding

nilai maksimum botol PET. Nilai ukuran jumlah selepas operasi penghakisan untuk

botol BUKAN-PET adalah lebih sekata kerana jumlah nilai ini pada sudut 90o dan

180o akan mencatat bacaan yang tinggi. Berbanding botol PET nilai jumlah selepas

operasi penghakisan hanya akan tinggi pada sudut 90o sahaja. Pemerhatian yang lebih

jelas dapat ditunjukkan dalam Rajah 5.8.

1 2 3 4 5 6 7 8 90

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

(a)9 bin piksel ternormal Botol PET

1 2 3 4 5 6 7 8 90

0.05

0.1

0.15

0.2

0.25

(b)9 bin piksel ternormal Botol BUKAN-PET

Ni l a i kekerapan

Ni l a i kekerapan

83

Rajah 5.8 Perbezaan bentuk antara botol PET dan botol BUKAN-PET

5.3.2 Penentuan Vektor Sifat Paling Optimal

Seperti yang telah diterangkan pada seksyen 4.2.3.2, terdapat gabungan beberapa

pembolehubah penting yang terlibat semasa pelaksanaan algoritma hakisan separa.

Ujian awal sepanjang pembangunan algoritma hakisan separa ini ialah untuk

menentukan nilai parameter yang sesuai untuk menyari sifat bagi perwakilan imej

botol plastik. Ujian pemilihan nilai saiz matrik penstrukturan elemen dibuat bermula

dari nilai awal bersamaan 1x1 sehinggalah nilai paling besar iaitu 15x15. Keputusan

awal menunjukkan saiz matrik 1x1 tidak akan menunjukkan sebarang perubahan pada

sifat yang disari sehingga nilainya bermula dengan 3x3. Begitu juga dengan nilai

tahap hakisan telah diuji bermula nilai awal 1% sehingga melebihi 100% iaitu 120%.

Hasilnya, tiada sebarang perubahan pada sifat disari sekiranya tahap hakisan

bersamaan 1% sehingga 29%, namun sekiranya tahap hakisan melebihi 100%, hakisan

yang melampau boleh berlaku menyebabkan semua pinggir imej botol dihakis.

Oleh itu kajian ini telah memilih nilai awal saiz matrik penstrukturan elemen

bermula pada 3x3 sehingga 15x15 dan tahap hakisan bermula pada 30% sehinggalah

100%. Namun begitu, ujian penentuan gabungan vektor sifat paling optimal perlu

juga dilaksanakan iaitu vektor sifat yang paling menunjukkan perbezaan antara dua

kelas botol iaitu PET dan BUKAN-PET. Terdapat tiga kaedah penentuan vektor sifat

paling optimal yang telah dilaksanakan iaitu gambaran secara plot tertabur, ujian

selang keyakinan dan ujian korelasi antara sifat.

(a)Botol BUKAN-PET – bentuk sekata antara sudut 90o dan 180o

(b)Botol PET – bentuk tidak sekata antara sudut 90o dan 180o

84

a) Gambaran secara plot tertabur

Sebagai permulaan kepada pemilihan gabungan parameter sifat yang paling optimal,

plot tertabur vektor sifat dianalisa secara pandangan mata kasar atau melalui paparan

plot tertabur vektor sifat. Kajian ini telah menguji beberapa kombinasi gabungan saiz

matrik elemen struktur dan peratus hakisan dalam proses menentukan parameter

paling optimal. Kombinasi parameter vektor sifat yang diuji bagi saiz matrik ES

adalah 3x3, 5x5, 7x7, 10x10 dan 15x15 manakala bagi peratus hakisan pula adalah

30%, 50%, 70% dan 100%.

Berdasarkan pemerhatian terhadap taburan vektor sifat nilai maksimum untuk saiz

matrik ES 3x3 dan empat jenis peratus hakisan yang diuji, kedua-dua kelas botol

berada dalam taburan dua kumpulan yang berbeza bagi botol PET dan BUKAN-PET.

Paparan plot tertabur vektor sifat tersebut ditunjukkan dalam Rajah 5.9. Paparan

taburan gabungan vektor sifat selain saiz matrik ES 3x3 boleh dirujuk dalam

Lampiran C.

Paparan plot yang sama juga dilakukan untuk gabungan vektor sifat nilai maksimum2

yang ditunjukkan pada Rajah 5.10 sementara plot taburan vektor sifat saiz matrik 5x5

hingga 15x15 terdapat dalam Lampiran C. Secara kasar berdasarkan plot tertabur

gabungan parameter di atas, dapat dirumuskan bahawa parameter garis lurus bersaiz

matrik bersamaan 5x5 mempunyai plot tertabur yang dapat membezakan antara kedua

jenis botol tersebut. Namun begitu kaedah pemilihan parameter paling optimal yang

lebih jitu iaitu gabungan parameter yang benar-benar boleh membeza antara dua

bentuk botol tersebut perlu dilakukan. Seterusnya, penentuan gabungan parameter

paling optimal ditentukan dengan melakukan ujian selang keyakinan antara

pembolehubah dari kedua-dua kelas dan juga ujian korelasi bagi membuktikan

gabungan parameter sifat yang mana paling membeza antara dua kelas bentuk botol

tersebut. Rujuk rumusan di bahagian 5.3.2.4 untuk melihat keputusan ujian korelasi

dan ujian selang keyakinan di bawah.

85

Rajah 5.9

Vektor fitur maksimum Botol PET dan BUKAN-PET pada gabungan hakisan separa saiz matrik 3x3 dan peratus hakisan

(a)30%, (b)50%, (c)70% dan (d)100%

86

Rajah 5.10 Vektor fitur maksimum2 Botol PET dan BUKAN-PET pada gabungan hakisan separa saiz matrik 3 x3 dan

peratus hakisan (a)30%, (b)50%, (c)70% dan (d)100%

87

b) Ujian selang keyakinan

Berdasarkan paparan pada Rajah 5.10, didapati plot data tertabur berikut terpisah

antara dua kelas tetapi terdapat data yang masih rapat dan sukar untuk membezakan

antara dua kelas bentuk botol. Oleh itu pemilihan vektor-vektor sifat yang sesuai

untuk mengelaskan beberapa imej tekstur memerlukan analisa secara statistik.

Sekiranya hasil keputusan pemilihan vektor sifat dihasilkan berdasarkan kaedah

statistik, keputusan lebih tepat dan diyakini keberkesanannya boleh diperolehi.

Kesimpulan keputusan secara statistik adalah berdasarkan proses anggaran atau

ramalan keputusan melalui kaedah pengiraan berdasarkan data sampel. Ramalan

keputusan yang dilakukan secara mata kasar tanpa kaedah pengiraan tidak semestinya

menghasilkan kesimpulannya yang tepat. Oleh yang demikian, kesimpulan terhadap

data sampel mengguna kaedah statistik diperlukan bagi membuktikan keunikan vektor

yang dinilai. Justeru, kaedah statistik yang digunakan adalah mengira julat peratusan

tahap/paras keyakinan (confidence level percentile) antara dua kategori.

Kaedah statistik ini dipilih kerana gambarajah plot yang dihasilkan adalah

dalam bentuk satu dimensi, maka ramalan keputusan menggunakan konsep garisan

lelurus adalah lebih baik. Peratusan tahap keyakinan adalah salah satu konsep garisan

lelurus. Nilai peratusan tahap keyakinan menunjukkan berapa bilangan data vektor

yang menghampiri atau sama dengan vektor-vektor sifat yang dibina dalam kategori

yang sama. Peratusan tahap keyakinan yang tinggi dipilih untuk menghitung jumlah

vektor yang terdapat dalam kategori yang sama. Kebiasaannya, nilai peratusan tahap

keyakinan yang tinggi menunjukkan jumlah vektor-vektor sifat dalam kategori

tersebut adalah banyak. Seterusnya, peratusan tahap keyakinan yang rendah turut

dipilih untuk menentukan berapa vektor yang tercicir atau tidak menghampiri vektor

sifat yang dibina daripada kategorinya. Terdapat beberapa langkah diperlukan untuk

mengira julat peratusan tahap keyakinan kategori seperti berikut:

i. Langkah 1:

Menentukan nilai tahap keyakinan dengan mengira kumulatif frekuensi di

kalangan data yang termasuk dalam selang di bawah 90% dan di bawah 10%.

Kategori 1 (kelas imej botol PET) = 10% bilangan vektor

Kategori 2 (kelas imej botol BUKAN-PET) = 90% bilangan vektor

Contoh kawasan bilangan vektor pada tahap keyakinan 90% dan 10% seperti yang

ditunjukkan dalam Rajah 5.1

Rajah 5.11 Kawasan taburan bilangan vektor pada 10% dan 90% tahap keyakinan

ii. Langkah 2:

Berdasarkan taburan

antara 90% dan 10% secara maksimum.

adalah secara maksima di

Rajah 5.

10 %

Bilangan vektor pada 90% tahap keyakinan

Bilangan vektor pada 10% tahap keyakinan

10%

90%

Contoh kawasan bilangan vektor pada tahap keyakinan 90% dan 10% seperti yang

Rajah 5.11.

Kawasan taburan bilangan vektor pada 10% dan 90% tahap keyakinan

Berdasarkan taburan Gaussian, vektor yang baik sepatutnya memenuhi aras

antara 90% dan 10% secara maksimum. Rajah 5.12 di mana taburan

adalah secara maksima di antara aras yang ditetapkan.

12 Taburan vektor sifat untuk kelas botol PET

Peratusan tahap keyakinan

Bilangan vektor pada 90% tahap keyakinan

Bilangan vektor pada 10% tahap keyakinan

88

Contoh kawasan bilangan vektor pada tahap keyakinan 90% dan 10% seperti yang

Kawasan taburan bilangan vektor pada 10% dan 90% tahap keyakinan

aussian, vektor yang baik sepatutnya memenuhi aras

di mana taburan botol PET

otol PET

90 %

iii. Langkah 3:

Demikian juga taburan

BUKAN-PET adalah secara maksima di

Rajah 5.13

iv. Langkah 4:

Apabila kedua-

berikut terjadi. Perbezaan dua kelas taburan vektor secara positif dan negatif.

Rujuk Rajah 5.1

parameter saiz elemen struktur dan tahap hakisan iaitu

dan 50 %.

Rajah 5.14 Perbezaan antara dua kelas yang menunjukkan perbezaan positif

J

10%

90%

90%

10%

10%

90%

Demikian juga taburan Gaussian Rajah 5.13 di bawah. Taburan botol

PET adalah secara maksima di antara aras yang ditetapkan.

13 Taburan vektor sifat untuk botol BUKAN_PET

-dua kelas botol ini diplot dalam satu rajah, dua keadaan

berikut terjadi. Perbezaan dua kelas taburan vektor secara positif dan negatif.

Rajah 5.14 dan Rajah 5.15 untuk perbezaan taburan gabungan

saiz elemen struktur dan tahap hakisan iaitu 5x5

Perbezaan antara dua kelas yang menunjukkan perbezaan positif

J

89

di bawah. Taburan botol

antara aras yang ditetapkan.

otol BUKAN_PET

rajah, dua keadaan seperti

berikut terjadi. Perbezaan dua kelas taburan vektor secara positif dan negatif.

untuk perbezaan taburan gabungan

dan 70% serta 5x5

Perbezaan antara dua kelas yang menunjukkan perbezaan positif

Rajah 5.14 menunjukkan perbe

bentuk botol. Manakala

antara dua kelas bentuk botol adalah negatif

matrik bersamaan 5 dan tahap hakisan adalah 7

Rajah 5.15 Perbezaan antara dua kelas yang menunjukkan perbezaan negatif

Pemilihan pemboleh ubah paling optimal

antara taburan vektor yang dipilih

seperti yang ditunjukkan sebelum ini.

dengan mencari perbezaan yang paling maksimum antara aras garis yang ditetapkan.

Penentuan aras dilakukan dengan mencari nilai pada frekuensi kumulatif yang

mencukupi sehingga 100%. Sebagai contoh

90% keatas dari aras paling bawah dan 10% ke bawah dari aras yang tertinggi. Semua

nilai J yang diperolehi daripada perbezaan jarak kumulatif frekuensi, akan diplot bagi

mencari nilai parameter yang paling optimal.

keseluruhan ujian secara statistik bagi penentuan gabungan parameter paling optimal

ada ditunjukkan dalam

J

90%

10%

10%

90%

menunjukkan perbezaan positif untuk taburan vektor sifat

bentuk botol. Manakala Rajah 5.15 pula menunjukkan perbezaan taburan vektor

antara dua kelas bentuk botol adalah negatif yang diwakili gabungan parameter saiz

aan 5 dan tahap hakisan adalah 70%.

Perbezaan antara dua kelas yang menunjukkan perbezaan negatif

Pemilihan pemboleh ubah paling optimal dibuat dengan membandingkan beza

antara taburan vektor yang dipilih pada kesemua gabungan parameter yang diuji

seperti yang ditunjukkan sebelum ini. Berdasarkan Rajah 5.14

dengan mencari perbezaan yang paling maksimum antara aras garis yang ditetapkan.

Penentuan aras dilakukan dengan mencari nilai pada frekuensi kumulatif yang

mencukupi sehingga 100%. Sebagai contoh mencari kedudukan taburan data yang

90% keatas dari aras paling bawah dan 10% ke bawah dari aras yang tertinggi. Semua

yang diperolehi daripada perbezaan jarak kumulatif frekuensi, akan diplot bagi

mencari nilai parameter yang paling optimal. Jadual yang menunjukk

keseluruhan ujian secara statistik bagi penentuan gabungan parameter paling optimal

ada ditunjukkan dalam Jadual 5.6 di mukasurat seterusnya.

J

90

sifat antara dua kelas

pula menunjukkan perbezaan taburan vektor

yang diwakili gabungan parameter saiz

Perbezaan antara dua kelas yang menunjukkan perbezaan negatif

buat dengan membandingkan beza

pada kesemua gabungan parameter yang diuji

nilai J ditentukan

dengan mencari perbezaan yang paling maksimum antara aras garis yang ditetapkan.

Penentuan aras dilakukan dengan mencari nilai pada frekuensi kumulatif yang

n taburan data yang

90% keatas dari aras paling bawah dan 10% ke bawah dari aras yang tertinggi. Semua

yang diperolehi daripada perbezaan jarak kumulatif frekuensi, akan diplot bagi

Jadual yang menunjukkan keputusan

keseluruhan ujian secara statistik bagi penentuan gabungan parameter paling optimal

91

c) Ujian Korelasi antara sifat

Ujian korelasi antara dua kelas vektor sifat turut dilaksanakan bagi menentukan

korelasi vektor sifat PET dan BUKAN-PET yang paling menunjukkan perbezaan

antara dua kelas tersebut. Ujian korelasi yang dijalankan adalah korelasi Pearson

berasaskan rumus berikut.

(5.1)

dengan r: mewakili korelasi.

Korelasi antara dua pembolehubah bermaksud tahap kekuatan hubungan antara dua

pembolehubah tersebut. Hubungan korelasi Pearson menyatakan bahawa tahap

kekuatan hubungan berada pada skala positif 1 ke negatif 1. Korelasi bernilai positif 1

bermakna terdapat hubungan positif secara lelurus di antara dua pembolehubah yang

diuji. Dan begitu juga sebaliknya jika terdapat hubungan yang negatif.

d) Rumusan ujian penentuan parameter paling optimal

Hasil kedua-dua ujian yang disebut di atas telah diringkaskan dalam Jadual 5.6.

Didapati keputusan ujian korelasi menunjukkan terdapat hubungan positif antara

vektor sifat maksimum dan maksimum2 dari kedua-dua kelas bentuk PET dan

BUKAN-PET pada saiz matrik 5x5 dan tahap hakisan bersamaan 70%. Ujian tahap

keyakinan pada saiz matrik 5x5 dan tahap hakisan bersamaan 70% juga menunjukkan

terdapat perbezaan positif di kalangan 10% vektor sifat maksimum botol PET dan

90% vektor sifat maksimum botol BUKAN-PET. Perbezaan jarak J yang positif juga

berlaku pada vektor sifat maksimum2. Oleh itu dapat disimpulkan bahawa gabungan

parameter elemen struktur bersaiz matrik 5x5 dan tahap hakisan 70% merupakan

gabungan parameter paling optimal dan ia seterusnya digunakan dalam semua ujian

pengesahan menggunakan alat pengelas pendiskriminan lelurus dan rangkaian neural.

Semua keputusan ujian korelasi dan tahap keyakinan juga ditunjukkan pada Rajah

92

Saiz Matriks % Hakisan

Ujian Korelasi

Ujian Tahap Keyakinan Ujian Korelasi

Ujian Tahap Keyakinan

3 x 3 30% 0.123 0.125 0.000 0.0003 x 3 50% 0.067 0.310 0.020 -0.2323 x 3 70% 0.049 0.349 0.030 -0.1663 x 3 100% 0.049 0.349 0.030 -0.166

5 x 5 30% 0.103 0.255 0.013 -0.0075 x 5 50% 0.102 0.338 -0.036 0.0005 x 5 70% 0.128 0.403 0.099 0.1535 x 5 100% 0.014 0.309 -0.003 0.013

7 x 7 30% 0.044 0.324 0.075 0.0327 x 7 50% -0.014 0.355 -0.127 -0.0887 x 7 70% -0.062 0.253 -0.062 -0.0637 x 7 100% -0.087 0.194 -0.020 -0.056

10 x 10 30% 0.003 0.340 -0.004 0.13110 x 10 50% -0.074 0.235 -0.130 -0.06710 x 10 70% -0.110 0.149 -0.026 -0.05210 x 10 100% -0.107 0.074 0.055 -0.044

15 x 15 30% -0.051 0.381 -0.103 -0.02715 x 15 50% -0.105 0.097 -0.074 -0.09715 x 15 70% -0.076 -0.033 -0.007 -0.11515 x 15 100% -0.075 -0.075 -0.085 -0.112

Gabungan Parameter Pembolehubah maksimum Pembolehubah maksimum2Vektor Fitur Bentuk Botol

5.16 (a), (b), (c) dan (d) untuk kedua-dua vektor sifat maksimum dan maksimum2

pada gabungan parameter elemen struktur bersaiz 5x5 dan tahap hakisan 70%.

Jadual 5.6 Ringkasan keputusan ujian secara statistik pemilihan gabungan parameter paling optimal

Rajah 5.16 Plot keputusan

(b)Ujian Selang Keyakinan untuk pembolehubah Ujian Korelasi, (d)maksimum2.

eputusan gabungan parameter yang diuji (b)Ujian Selang Keyakinan untuk pembolehubah maksimum dan (c)Ujian Korelasi, (d) Ujian Selang Keyakinan untuk pembolehubah maksimum2.

93

(a)Ujian Korelasi, maksimum dan (c)

Ujian Selang Keyakinan untuk pembolehubah

94

5.4 SET SIFAT ALGORITMA ANALISA WARNA TEKSTUR SILAU

Set sifat algoritma analisis warna tekstur silau terbahagi kepada dua bahagian iaitu set

sifat algoritma imej kotak sempadan dan set sifat algoritma imej pangkasan terpilih.

Janaan histogram imej jelas menunjukkan perbezaan intensiti piksel putih pada objek

PET dan BUKAN-PET. Berasaskan perbezaan antara dua histogram botol plastik,

langkah-langkah yang berikut telah dilakukan bagi mendapatkan vektor perwakilan

sifat yang paling sesuai untuk kaedah ini.

1. Membuat pengiraan keseluruhan piksel yang terdapat pada setiap imej iaitu

pada piksel 0 hingga 255.

2. Mengira nilai piksel putih yang terdapat dalam keseluruhan imej. Berdasarkan

histogram intensiti, piksel putih berlaku pada kedudukan piksel 50 hingga 100.

Ini kerana terdapat perbezaan puncak ketara selepas piksel 50 hingga ke 100.

3. Mencari nilai purata untuk dijadikan vektor sifat dengan membahagikan nilai

piksel putih di kedudukkan 50 hingga 100 dengan keseluruhan piksel imej.

Nilai purata piksel putih dalam imej diukur menggunakan fungsi berikut:

����� ���������� ������ �� (5.2)

Fungsi di atas mengira jumlah nilai piksel putih bermula dari kedudukan piksel 150

hingga ke 250 dan dibahagikan dengan jumlah piksel putih pada keseluruhan imej

skala kelabu piksel 0 hingga 256. Hanya nilai purata piksel putih digunakan sebagai

vektor sifat.

5.4.1 Set Sifat Algoritma Imej Kotak Sempadan

Vektor sifat diambil dari pada nilai purata piksel putih berdasarkan fungsi nilai purata

berikut W(rk ):

����� ������������������� �� (5.3)

Ia dikira dari jumlah keseluruhan nilai piksel putih dari kecerahan 150 hingga 256

yang dibahagi dengan jumlah keseluruhan piksel dari nilai 0 hingga 256 bagi

95

peringkat imej skala kelabu. Hanya nilai purata piksel putih mewakili imej botol yang

digunakan dalam algoritma ini, di mana ia merupakan nilai yang paling berbeza antara

dua kelas botol plastik iaitu PET dan BUKAN-PET. Rajah 5.17 dan Rajah 5.18 di

bawah menunjukkan langkah demi langkah mendapatkan nilai sifat tersebut untuk

botol PET dan BUKAN-PET masing-masing.

Rajah 5.17 Imej kotak sempadan dan histogram intensiti untuk Botol PET

Rajah 5.18 Imej kotak sempadan dan histogram intensiti untuk Botol BUKAN PET

Berdasarkan histogram intensiti dalam Rajah 5.17 dan Rajah 5.18, terdapat dua

bahagian yang menunjukkan latar belakang dan imej botol. Oleh itu hanya bahagian

imej botol yang diambil untuk dikira sebagai perwakilan sifat imej kotak sempadan

ini.

Latar belakang Imej botol

Latar belakang Imej botol

Imej kotak sempadan

96

5.4.2 Set Sifat Algoritma Imej Pangkasan Terpilih

Rajah 5.19 menunjukkan contoh imej botol PET yang disegmenkan. Rantau terpilih

yang diekstrak adalah dari rantau kelima atau yang paling bawah serta janaan

histogram intensiti kawasan rantau terpilih.

Rajah 5.19 Imej disegmen, rantau terpilih dan janaan histogram imej PET

Histogram menunjukkan kawasan yang dipilih mempunyai nilai yang berbeza antara

dua jenis imej botol PET dan BUKAN PET. Vektor sifat yang disari dari histogram di

atas adalah berasaskan fungsi purata menggunakan persamaan 5.3 yang diambil dari

piksel antara 1 hingga 100 dalam kejiranan piksel Sxyn serta sisihan piawai ukuran

kecerahan di kalangan piksel kejiranan rantau terpilih.

��� � � ���!"���!"�#�� $����!"�� (5.4)

dengan rs,t adalah koordinat peringkat kelabu dalam kejiranan (s,t) dan p(rs,t) pula

adalah komponen histogram kejiranan yang dinormalkan. Sisihan piawai untuk piksel

rantau terpilih adalah;

%��� � � &���!"���!"�#�� '���� ()$����!"��

(5.5)

Langkah yang sama dilakukan ke atas sampel imej BUKAN PET bagi menyari vektor

sifat kawasan terpilih. Rajah 5.20 menunjukkan lima kawasan yang disegmenkan,

rantau terpilih dan janaan histogram intensiti kawasan yang dipilih.

Rantau terpilih

Imej disegmen Histogram intensiti

97

Rajah 5.20 Imej disegmen, rantau terpilih dan janaan histogram imej BUKAN PET Seterusnya satu matrik imej pangkasan dipangkas dari rantau kelima imej botol seperti

yang ditunjukkan dalam Rajah 5.21. Setiap piksel rantau pangkasan dianalisa secara

statistik untuk menentukan nilai sisihan piawai dan purata keseluruhan taburan piksel

kawasan pangkasan terpilih yang dijadikan vektor perwakilan sifat untuk kaedah ini.

Rajah 5.21 Paparan nilai keamatan piksel bagi imej pangkasan kawasan (a)Botol

PET dan (b) Botol BUKAN-PET

Terdapat dua vektor sifat yang diekstrak dari imej botol PET dan BUKAN-PET untuk

algoritma ini iaitu purata dan sisihan piawai. Kedua-dua vektor sifat ini digunakan

Imej disegmen Rantau terpilih

Histogram intensiti

98

sebagai masukan pengelas pendiskriminan lelurus manakala hanya sifat purata

digunakan untuk pengelas rangkaian neural.

5.5 PENGUKURAN DAN PENGUJIAN MENGGUNAKAN ALAT PENGELAS

Pengujian kecekapan pengelasan dilakukan dengan menggunakan dua alat pengelas

iaitu pendiskriminan lelurus dan rangkaian neural. Sub-seksyen seterusnya

memaparkan keputusan hasil pengelasan dua alat pengelas tersebut dengan masukan

set vektor sifat tersari dari algoritma hakisan separa dan algoritma analisa warna

tekstur silau.

5.5.1 Pengukuran Pengelasan Set Vektor Sifat Hakisan Separa

Pengelas pendiskriminan lelurus menggunakan dua set vektor sifat iaitu nilai

maksimum dan nilai maksimum kedua manakala pengelas rangkaian neural hanya

menggunakan nilai maksimum.

a) Pendiskriminan lelurus

Berdasarkan rumusan pelaksanaan parameter paling optimal dalam bahagian 5.3.2.4 di

atas, kombinasi vektor sifat terbaik adalah kombinasi hakisan separa 70% dengan saiz

matrik elemen struktur bersamaan dengan 5x5. Keadaan ini menunjukkan nilaian

peratus kesan hakisan penting untuk mendapatkan vektor sifat yang mewakili bentuk

botol plastik. Begitu juga saiz panjang elemen struktur yang berpadanan dengan sifat

fizikal sebenar imej botol. Sekiranya panjang bersamaan dengan 3 digunakan, saiz ini

terlalu pendek dan menghasilkan keputusan yang terlalu lengkap dan tidak sesuai

dengan keadaan fizikal sebenar imej botol. Keputusan pelaksanaan latihan dan

pengujian dilakukan ke atas 500 sampel imej botol plastik dari kedua-dua kelas botol

PET dan BUKAN-PET.

Pengelasan dilakukan dengan menggunakan kaedah pengelasan

pendiskriminan lelurus di mana satu pendiskriminan lelurus menggunakan teori

y=mx+c bagi merekodkan keputusan pengelasan dan peratusan yang paling tepat.

Bagi mendapatkan keputusan pengelasan berikut, sejumlah 50 data botol BUKAN-

99

2 4 6 8 10 12 14 16 18 200

1

2

3

4

5

6

maks

maks2

Plot Taburan 200 data vektor ciri latihan

Botol LebarBotol KurusGaris Fungsi Pembeza

data4data5data6

PET dan 50 data botol PET digunakan untuk tujuan latihan set 1 bagi mendapatkan

fungsi pembeza antara kedua-dua kelas botol BUKAN-PET dan PET. Selebihnya data

dibahagi kepada 4 set yang lain bagi tujuan pengujian. Sejumlah 400 data yang

membentuk dua kelas bentuk botol diuji berdasarkan fungsi pembeza yang terhasil

setelah latihan dilakukan. Rajah 5.22 berikut adalah plot taburan 100 data vektor sifat

yang digunakan semasa latihan.bagi mendapatkan garis fungsi pembeza berasaskan

teori pendiskriminan lelurus y=mx+c.

Rajah 5.22 Plot tertabur data vektor sifat untuk latihan pendiskriminan lelurus

Semua sampel terpilih untuk imej botol PET dan botol BUKAN-PET dikelaskan

kepada dua kelas bentuk BUKAN-PET dan PET. Semasa latihan, persamaan berikut

diperolehi daripada gabungan dua vektor sifat maksimum dan maksimum kedua

daripada histogram 9 bin data. Garis fungsi pembeza adalah : f(x) = (-4.11*x1)+

(7.23*x2)+ 11.23; di mana x1 mewakili vektor sifat maksimum dan x2 mewakili vektor

sifat maksimum kedua pekali lengkap. Bagi membezakan antara bentuk botol tersebut,

peraturan berikut perlu dipenuhi iaitu:

Sekiranya f(x) > 0 maka bentuk botol = botol PET

Jika tidak, bentuk botol = botol BUKAN-PET

Keputusan pengelasan bentuk botol berasaskan teknik hakisan separa menggunakan

gabungan dua vektor sifat maksimum dan maksimum kedua disenaraikan dalam

Jadual 5.7.

100

Persamaan

Lelurus

Latih

Botol

PET

Purata Botol

PET Botol

BUKAN-

PET

Purata

Botol

BUKAN-

PET

Purata

Botol

PET

Purata

Botol

BUKAN-

PET

Purata

Uji

Keputusan 96.5

96.5

96.5

100

94.5

97.3

100

97.5

98.8

9597.5

9798

99100

Botol

BUKAN-

PET

Botol

PET

Botol

BUKAN-

PET

Botol PET

[Set2,Set3,Set4,Set5]

[Set1,Set3,Set4,Set5]

[Set1,Set2,Set4,Set5]

[Set1,Set2,Set3,Set5]

[Set1,Set2,Set3,Set4]

Set 1

Set 2

Set 3

Set 4

Set 5

8.30x1+19.37x2+ 9.00=0 0.07x1+0.11x2+ 0.24=0 0.02x1+0.014x2+ 0.12=0 0.03x1+0.019x2+ 0.14=0 0.02x1+0.01x2+ 0.15=0

Jadual 5.7

Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma hakisan separa

101

b) Rangkaian Neural Tiruan

Pengelas rangkaian neural yang dibina untuk menguji set sifat hakisan separa

mengandungi dua lapisan tersembunyi dengan 10 neuron untuk lapisan pertama

diikuti dengan lima neuron untuk lapisan kedua menjadikan konfigurasi rangkaian

[10,5,1] dengan fungsi pengaktifan ‘tansig’ untuk semua neuron. Bilangan nod

masukan bergantung kepada bilangan vektor sifat yang diuji manakala satu neuron

digunakan pada bahagian keluaran bagi mengelas sama ada botol PET atau

sebaliknya.

Jadual 5.8 Keputusan pengelasan bentuk botol untuk rangkaian neural tiruan bagi algoritma hakisan separa

Bagi alat pengelas menggunakan rangkaian neural, peratus yang terbaik adalah dari

set 3 di mana peratus pengelasan tepat yang diperolehi adalah 99.2%.

5.5.2 Perbincangan keputusan pengelasan penghakisan separa

Berdasarkan Jadual 5.7, didapati bahawa peratusan pengelasan kedua-dua bentuk

botol ini melebihi 90%. Keputusan pengelasan ini menunjukkan bahawa gabungan

vektor sifat maksimum dan maksimum kedua hasil dari histogram 9 bin data dapat

mewakili bentuk imej botol plastik dengan baik. Purata pengelasan tepat bagi

pendiskriminan lelurus dari imej set 3 adalah 98.8%. Keadaan yang sama juga berlaku

pada pengelasan rangkaian neural di Jadual 5.8 di mana set 3 mempunyai peratus

pengelasan yang paling tinggi berbanding set-set yang lain. Apabila dibandingkan

antara pengelas, peratus pengelas rangkaian neural adalah lebih tinggi berbanding

pengelas pembeza lelurus disebabkan rangkaian neural telah dilatih dengan data-data

sedia ada. Oleh itu sebelum ujian dilakukan ke atas set-set seterusnya, corak data telah

dikenalpasti menyebabkan peratus pengelas rangkaian neural antara dua kelas imej

botol menjadi lebih baik berbanding pengelas pendiskriminan lelurus.

Set Peratus Pengecaman (%) Botol PET

Peratus Pengecaman (%) Botol BUKAN-PET

Purata

1 99.4 98.2 98.8 2 99.5 98.2 98.9 3 99.9 98.4 99.2 4 99.6 97.2 98.4 5 99.7 98.2 99

102

1 1.5 2 2.5 3 3.5 4 4.50.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0.55

0.6

5.5.3 Pengukuran pengelasan set sifat analisa warna tekstur silau

Pengukuran pengelasan set sifat algoritma ini menggunakan dua alat pengelas.

Pengelas pendiskriminan lelurus menggunakan dua set vektor sifat iaitu nilai purata

dan nilai sisihan piawai manakala pengelas rangkaian neural hanya menggunakan nilai

purata yang di sari hasil pelaksanaan algoritma analisa warna tekstur silau.

a) Persamaan lelurus

i. Algoritma imej kotak sempadan

Sifat purata yang diekstrak dari imej botol PET dan BUKAN PET dikelaskan menggunakan

pengelas pendiskriminan lelurus dan rangkaian neural. Latihan dan ujian dilakukan secara

pengesahan bersilang dengan semua sampel data dibahagi kepada 5 set. Set 1 hingga set 5

dilatih untuk mendapatkan garis lurus fungsi diskriminasi yang seterusnya diuji secara

bersilang untuk kesemua 5 set data yang ada.

Rajah 5.23 Plot tertabur untuk Pengelas Pembeza Lelurus Set 1

Sebagai contoh Rajah 5.25 menunjukkan plot tertabur dari latihan set 1. Persamaan

garis lurus -0.01x1+-0.04x2+0.04=0 adalah persamaan pembeza yang memisahkan

Nilai purata

Nilai sisihan piawai

103

0 0.1 0.2 0.3 0.4 0.5 0.6 0.70

0.1

0.2

0.3

0.4

0.5

0.6

0.7

antara dua kelas botol plastik. Keputusan keseluruhan pengujian yang dilakukan

terhadap 5 set imej ditunjukkan dalam Jadual 5.11.

ii. Algoritma imej pangkasan terpilih

Terdapat dua vektor sifat yang diekstrak dari imej botol PET dan BUKAN PET untuk

algoritma ini iaitu nilai purata dan sisihan piawai. Kedua-dua vektor sifat ini

digunakan sebagai masukan pengelasan menggunakan pendiskriminan lelurus.

Latihan dan ujian dilakukan secara pengesahan bersilang dengan semua sampel data

dibahagi kepada 5 set. Set 1 hingga set 5 akan dilatih untuk mendapatkan garis lurus

fungsi diskriminasi yang seterusnya akan diuji secara bersilang untuk kesemua 5 set

data yang ada.

Rajah 5.24 Plot tertabur untuk Pengelas Pembeza Lelurus Set 3

Sebagai contoh Rajah 5.24 menunjukkan plot tertabur dari latihan set 1. Persamaan

garis lurus yang -0.08x1+-0.05x2+0.05=0 adalah persamaan pembeza yang

memisahkan antara dua kelas botol plastik. Keputusan keseluruhan pengujian

menggunakan pengelas pendiskriminan lelurus yang dilakukan terhadap 5 set imej

ditunjukkan dalam Jadual 5.12 seterusnya.

Nilai sisihan piawai

Nilai purata

104

Persamaan

Lelurus

Latih

Botol

PET Botol

BUKAN-

PET

Purata

Botol

PET

Botol

BUKAN-

PET

Purata

Botol

PET

Botol

BUKAN-

PET

Purata

Botol

PET

Botol

BUKA

N-PET

Purata

Botol

PET

Botol

BUKAN-

PET

Purata

Uji

Ujian

85.9

8685.9

85.2

88.2

86.7

87.6

88.7

88.1

82.1

87.6

84.8

82.9

85.784..3

-0.01 x

1+-0.04 x

2+0.04=0

-0.01 x

1+-25.78

x2+8

.00=

0 -0.02 x

1+-0.06 x

2=0.09

=0

-1.95 x

1+-1.185+6

.00=

0 -0.03 x

1+ -0

.01 x

2+0.09

=0

Set 1

Set 2

Set 3

Set 4

Set 5

[Set2,Set3,Set4,Set5]

[Set1,Set3,Set4,Set5]

[Set1,Set2,Set4,Set5]

[Set1,Set2,Set3,Set5]

[Set1,Set2,Set3,Set4]

Jadual 5.9

Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej kotak sempadan

Contents

5.1 Pengenalan .................................................................................................................................. 73

5.2 Keputusan Pelaksanaan Algoritma Kod Rantaian ....................................................................... 74

5.3 Set Sifat Algoritma Hakisan Separa ............................................................................................. 78

5.3.1 Pemilihan Vektor Sifat ................................................................................................. 79

5.3.2 Penentuan Vektor Sifat Paling Optimal ....................................................................... 83

5.4 Set Sifat Algoritma Analisa Warna Tekstur Silau ......................................................................... 94

5.4.1 Set Sifat Algoritma Imej Kotak Sempadan ................................................................... 94

5.4.2 Set Sifat Algoritma Imej Pangkasan Terpilih ................................................................ 96

5.5 Pengukuran dan Pengujian Menggunakan Alat Pengelas ........................................................... 98

5.5.1 Pengukuran Pengelasan Set Vektor Sifat Hakisan Separa ........................................... 98

5.5.2 Perbincangan keputusan pengelasan penghakisan separa ....................................... 101

5.5.3 Pengukuran pengelasan set sifat analisa warna tekstur silau ................................... 102

Rajah 5.1 Gambarajah blok model pemprosesan dan sarian vektor sifat 74 Rajah 5.2 Histogram 8 arah kod rantaian dengan susunan lingkaran tertutup 75 Rajah 5.3: Plot hasil pengelasan bentuk botol plastik untuk 4 set data 77 Rajah 5.4 Plot hasil pengelasan bentuk botol plastik untuk 8 set data 77 Rajah 5.5 Plot vektor sifat 1o hingga 180o untuk sebuah imej (a) Botol PET 79 Rajah 5.6 Plot tertabur untuk pengurangan data 180o bahagi (a)20, (b)30 dan (c)60 80 Rajah 5.7 Contoh Janaan Histogram 9 bin piksel ternormal untuk sebiji botol PET dan BUKAN-PET 82 Rajah 5.8 Perbezaan bentuk antara botol PET dan botol BUKAN-PET 83 Rajah 5.9 Vektor sifat maksimum Botol PET dan BUKAN-PET pada gabungan hakisan separa saiz matrik 3x3 dan peratus hakisan 85 Rajah 5.10 Vektor sifat maksimum2 Botol PET dan BUKAN-PET pada gabungan hakisan separa saiz matrik 3 x3 dan 86 Rajah 5.11 Kawasan taburan bilangan vektor pada 10% dan 90% tahap keyakinan 88 Rajah 5.12 Taburan vektor sifat untuk kelas Botol PET 88 Rajah 5.13 Taburan Vektor Sifat untuk Botol BUKAN_PET 89 Rajah 5.14 Perbezaan antara dua kelas yang menunjukkan perbezaan positif 89 Rajah 5.15 Perbezaan antara dua kelas yang menunjukkan perbezaan negatif 90

Rajah 5.16 Ringkasan plot keputusan gabungan parameter yang diuji (a)Ujian Korelasi, (b)Ujian Selang Keyakinan untuk pembolehubah maksimum dan (c) Ujian Korelasi, (d) Ujian Selang Keyakinan untuk pembolehubah maksimum2 94 Rajah 5.17 Imej kotak sempadan dan histogram intensiti untuk Botol PET 95 Rajah 5.18 Imej kotak sempadan dan histogram intensiti untuk Botol BUKAN PET 95 Rajah 5.19 Imej disegmen, Rantau terpilih dan Janaan histogram imej PET 96 Rajah 5.20 Imej disegmen, rantau terpilih dan janaan histogram imej BUKAN 97 Rajah 5.21 Paparan nilai keamatan piksel bagi imej pangkasan kawasan (a)Botol PET dan (b) Botol BUKAN-PET 97 Rajah 5.22: Plot tertabur data vektor sifat untuk latihan Pendiskriminan lelurus 99 Rajah 5.23 Plot tertabur untuk Pengelas Pembeza Lelurus Set 1 102 Rajah 5.24 Plot tertabur untuk Pengelas Pembeza Lelurus Set 3 103

Jadual 5.1 Vektor sifat botol BUKAN-PET untuk 8 arah kod rantaian 75 Jadual 5.2 Vektor sifat botol PET untuk 8 arah kod rantaian 75 Jadual 5.3 Vektor sifat bermakna untuk botol BUKAN-PET 76 Jadual 5.4 Vektor sifat bermakna untuk Botol PET 76 Jadual 5.5 Sampel data untuk sembilan selang 81 Jadual 5.6 Ringkasan keputusan ujian secara statistik pemilihan gabungan 92 Jadual 5.7 Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma hakisan separa 100 Jadual 5.8 Keputusan pengelasan bentuk botol untuk rangkaian neural tiruan bagi 101 Jadual 5.9 Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej kotak sempadan 104

Saiz Matriks % Hakisan

Ujian Korelasi

Ujian Tahap Keyakinan Ujian Korelasi

Ujian Tahap Keyakinan

3 x 3 30% 0.123 0.125 0.000 0.0003 x 3 50% 0.067 0.310 0.020 -0.2323 x 3 70% 0.049 0.349 0.030 -0.1663 x 3 100% 0.049 0.349 0.030 -0.166

5 x 5 30% 0.103 0.255 0.013 -0.0075 x 5 50% 0.102 0.338 -0.036 0.0005 x 5 70% 0.128 0.403 0.099 0.1535 x 5 100% 0.014 0.309 -0.003 0.013

7 x 7 30% 0.044 0.324 0.075 0.0327 x 7 50% -0.014 0.355 -0.127 -0.0887 x 7 70% -0.062 0.253 -0.062 -0.0637 x 7 100% -0.087 0.194 -0.020 -0.056

10 x 10 30% 0.003 0.340 -0.004 0.13110 x 10 50% -0.074 0.235 -0.130 -0.06710 x 10 70% -0.110 0.149 -0.026 -0.05210 x 10 100% -0.107 0.074 0.055 -0.044

15 x 15 30% -0.051 0.381 -0.103 -0.02715 x 15 50% -0.105 0.097 -0.074 -0.09715 x 15 70% -0.076 -0.033 -0.007 -0.11515 x 15 100% -0.075 -0.075 -0.085 -0.112

Gabungan Parameter Pembolehubah maksimum Pembolehubah maksimum2Vektor Fitur Bentuk Botol