Download - Bab vb

103

`

Rajah 5.1 , Jadual 5.1

Rajah 5.2, Jadual 5.2

Rajah 5.3 Jadual 5.3







Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13

Rajah 5.14

Rajah 5.15

Rajah 5.16

Rajah 5.17

Rajah 5.18

Rajah 5.19, Rajah 5.20, Rajah 5.21 Rajah 5.22, Rajah 5.23, Rajah 5.24

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.

5.5.3.1 Persamaan Linear

104

Pers

amaa

n

Lel

urus

Lat

ih

Bot

ol

BU

KA

N-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pura

ta

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pura

ta

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pur

ata

Uji

Ujian

90

91..2

89

92.3

90.7

9395

.494

.289

90.2

89.6

9095

.292

.6

-0.0

8 x1+

-0.0

5 x2+

0.05

=0

-0.0

2 x1+

-29.

53x2

+6.

00=0

-0.0

5 x1+

-0.0

6 x2=

0.08

=0

-1.9

3 x1+

-1.1

2 x2+

6.00

=0

-0.0

3 x1+

-0.

01x2

+0.

09=0

Set 1

Set

2

Set 3

Se

t 4

Set 5

Bot

ol

PET

[Set

2,Se

t3,S

et4,

Set

5]

[Set

1,Set

3,Se

t4,S

et5]

[S

et1,

Set2

,Set

4,Se

t5]

[Set

1,Se

t2,S

et3,

Set5

] [S

et1,

Set2

,Set

3,Set

4]

92.3

Jadu

al 5

.10

Kep

utus

an p

enge

lasa

n be

ntuk

bot

ol u

ntuk

pen

disk

rim

inan

lelu

rus

bagi

alg

orit

ma

imej

pan

gkas

an te

rpil

ih

105

1 1.5 2 2.5 3 3.5 4 4.50

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

b) Rangkaian Neural

Pengelas rangkaian neural yang dibina untuk menguji set sifat warna silau

mengandungi dua lapisan tersembunyi dengan lima neuron untuk lapisan pertama

diikuti dengan tiga neuron untuk lapisan kedua menjadikan konfigurasi rangkaian

[5,3,1] dengan fungsi pengaktifan ‘tansig’, ‘tansig’, ‘purelin’. 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.

i. Algoritma imej kotak sempadan

Rajah 5.25 menunjukkan contoh set 3 yang memperolehi capaian antara input dan

sasaran yang baik semasa latihan bagi rangkaian neural. Keputusan keseluruhan

pengujian yang dilakukan terhadap 5 set imej ditunjukkan dalam Jadual 5.11.

Rajah 5.25 Plot rangkaian neural input dan sasaran untuk latihan dari set 3

ii. Algoritma imej pangkasan terpilih

Rajah 5.26 ditunjukkan contoh set 3 yang memperolehi capaian antara input dan

sasaran yang baik semasa latihan bagi rangkaian neural. Keputusan keseluruhan

pengujian yang dilakukan terhadap 5 set imej ditunjukkan dalam Jadual 5.12.

Input

Sasa

ran

106

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

0.8

0.9

1

Rajah 5.26 Plot rangkaian neural input dan sasaran untuk latihan dari set 3

5.5.4 Perbincangan Pengelasan Analisa Warna Tekstur Silau

Peratusan keputusan pengelasan kedua-dua algoritma ini adalah baik dengan melebihi

80% untuk setiap ujian yang dilakukan ke atas semua sampel imej botol. Botol

BUKAN PET pula menunjukkan kelebihan peratus berbanding botol PET. Ini

disebabkan oleh imej botol PET adalah lutcahaya dan warna latarbelakang

mempengaruhi ciri tekstur intensiti yang diekstrak daripadanya. Botol BUKAN PET

adalah legap sepenuhnya dan keputusan yang terhasil tidak dipengaruhi hingar latar

belakang imej. Peratusan keputusan algorima imej pangkasan terpilih lebih tinggi

berbanding algoritma imej kotak sempadan adalah disebabkan faktor-faktor berikut:

a) Kotak sempadan mengekstrak ciri pada keseluruhan imej botol. Kewujudan

label dan penutup botol merupakan hingar yang boleh memberi kesan terhadap

keputusan pengelasan.

b) Algoritma imej pangkasan terpilih merupakan algoritma yang memilih kawasan

yang benar-benar mempunyai nilai berbeza antara dua jenis plastik tersebut

secara automatik. Ini dilakukan dengan pembahagian lima kawasan serta

memangkas kawasan berbeza serta terhindar daripada hingar.

Input

Sasa

ran

107

Latih

Bot

ol

BUKAN-

PET

Pura

ta

Bot

ol

BUKAN-

PET

Purata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pur

ata

Uji

Ujian

88

.792

.382

.187

.888

.595

.892

.282

.192

87.1

8692

.189

.1

Latih

Bot

ol

PET

Bot

ol

BUKAN-

PET

Purata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BUKAN-

PET

Pura

ta

Uji

Ujian

89

.390

89.7

92.6

95.8

94.2

95.2

96.4

95.8

92.3

94.4

93.4

9492

93

Set 1

Se

t 2

Set 3

Set 4

Set 5

[Set2,Set3,Se

t4,S

et5]

[S

et1,Set3,Se

t4,S

et5]

[S

et1,Se

t2,S

et4,Se

t5]

[Set1,Se

t2,S

et3,Se

t5]

[Set1,Se

t2,S

et3,Se

t4]

[Set2,Se

t3,S

et4,Se

t5]

[Set1,Set3,Se

t4,S

et5]

[S

et1,Set2,Se

t4,S

et5]

[S

et1,Set2,Se

t3,S

et5]

[S

et1,Se

t2,S

et3,Se

t4]

95.8

93.4

Set 1

Set 2

Se

t 3

Set 4

Se

t 5

Bot

ol P

ET

Bot

ol P

ET

Jadu

al 5

.11

Kep

utus

an p

enge

lasa

n be

ntuk

bot

ol u

ntuk

ran

gkai

an n

eura

lbag

i alg

oritm

a im

ej k

otak

sem

pada

n

Jadu

al 5

.12

Kep

utus

an p

enge

lasa

n be

ntuk

bot

ol u

ntuk

ran

gkai

an n

eura

lbag

i alg

oritm

a im

ej p

angk

asan

terp

ilih

108

5.5.5 Keputusan Perlakuran Sifat

Berpandukan mata kasar penentuan botol PET dan BUKAN_PET boleh dilakukan

berdasarkan warna tekstur PET yang silau berbanding botol BUKAN-PET yang legap.

Pengecaman botol plastik berdasarkan warna adalah lebih dominan berbanding

pengecaman berdasarkan bentuk. Kajian ini telah membuat justifikasi bahawa

pengecaman botol plastik lebih mudah dicam berdasarkan warna tekstur berbanding

bentuk. Oleh itu sebagai pengesahan pengelasan kelas botol plastik ini, perlakuran

sifat dilakukan. Berdasarkan Jadual 5.13, sifat dari kedua-dua algoritma tersebut

dilakurkan dan dijadikan input ke pengelas pendiskriminan lelurus dan rangkaian

neural tiruan. Keputusan perlakuran sifat antara sifat dari sarian sifat hakisan separa

dan sarian sifat analisa tekstur silau menunjukkan keputusan yang lebih baik dan jitu

dalam penentuan jenis botol plastik PET dan BUKAN-PET.

Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat

Algoritma Hakisan SeparaAlgoritma Analisa Warna

Tekstur SilauPET BUKAN-PET PET BUKAN-PET0.16 1.07 0.27 0.020.13 1.09 0.17 0.000.13 1.09 0.18 0.000.15 0.69 0.45 0.000.09 0.84 0.28 0.020.12 0.69 0.18 0.000.12 0.90 0.26 0.020.17 0.68 0.37 0.030.24 0.66 0.19 0.000.09 0.86 0.20 0.000.24 0.68 0.03 0.030.07 0.85 0.20 0.000.17 1.10 0.13 0.050.04 0.79 0.58 0.050.28 0.87 0.56 0.03

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0

Nilai purata

Vektor sifat yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum

dan vektor sifat yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai

purata digunakan untuk sebagai masukan kepada alat pengelas menggunakan

pendiskriminan lelurus. Rajah 5.2

set sifat dari kedua-dua algo

Rajah 5.27 Plot tertabur vektor

Rajah 5.28 Plot tertabur vektor

50 100 150 200 250

Bilangan imej

Botol PET

Botol BUKAN-PET

yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum

yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai


Rajah 5.27 dan Rajah 5.28 menunjukkan vektor tertabur bagi

dua algoritma yang di plotkan lawan bilangan imej.

Plot tertabur vektor sifat maksimum dari algoritma hakisan separa

Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih

109

250

PET

yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum

yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai


kan vektor tertabur bagi

maksimum dari algoritma hakisan separa

purata dari algoritma imej pangkasan terpilih

110

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.60

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Nilai Maksimum

Nila

i Pur

ata

Botol PET

Botol BUKAN-PETFungsi Pembeza Lelurus

Persamaan Lelurus Botol PET Botol BUKAN-PET

Set 1: 0.032x1+-0.03x2+0.01=0

Set 2: 0.01x1+-0.01x2+0.01=0

Set 3: 0.01x1+-0.04x2+0.01=0

Set 4: 0.01x1+-0.03x2+0.01=0

Set 5: 0.06x1+-0.02x2+0.01=0

100% 98%

98.50% 99%

100% 99%

99% 98%

100 98.50%

Rajah 5.29 Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata

Kedua-dua sifat ini digunakan dan dilakurkan untuk mendapatkan persamaan

pengelas. Contoh taburan vektor sifat bagi 400 imej dari kedua-dua kelas botol

ditunjukkan dalam Rajah 5.29. Keputusan pengelasan pendiskriminan lelurus

menunjukkan peratus pengecaman untuk semua lima set antara 98% ke 100%.

Keputusan ini menunjukkan penentuan jenis botol PET dan BUKAN-PET dapat

ditentukan dengan lebih baik dan jitu sekiranya perlakuran sifat di antara dua

algoritma dilakukan. Keputusan perlakuran sifat menggunakan pengelasan

pendiskriminan lelurus boleh dirujuk di Jadual 5.14.

Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus

111

Vektor sifat yang sama dari kedua-dua algoritma hakisan separa dan imej pangkasan

terpilih akan dilakurkan dan diuji kejituan pengelasan antara dua kelas botol PET dan

BUKAN-PET menerusi pengelas rangkaian neural. Keputusan perlakuran sifat itu

ditunjukkan dalam Jadual 5.15.

Jadual 5.15 Keputusan perlakuran sifat menggunakan rangkaian neural

5.6 PERBANDINGAN KEPUTUSAN ANTARA PENGELAS

Jadual 5.16 adalah jadual perbandingan keputusan pengelasan antara alat pengelas

yang diguna iaitu pengelas pendiskriminan lelurus dan rangkaian neural serta

keputusan perlakuran sifat yang dilakukan.

Kesemua algoritma memberikan peratus pengelasan melebihi 90%. Daripada

keputusan kedua-dua pengujian alat pengelasan, algoritma hakisan separa kelihatan

memberikan peratus pengelasan tepat yang lebih baik berbanding algoritma imej

pangkasan terpilih. Algoritma hakisan separa menyumbang 98.8% keputusan

pengelasan tepat dengan menggunakan pengelas pendiskriminan lelurus manakala

algoritma imej pangkasan terpilih menyumbang 94.2%. Bagi pengelas rangkaian

neural pula keputusan algoritma hakisan separa adalah 99.1% manakala algoritma

imej pangkasan terpilih menyumbang 95.8%. Teknik perlakuran sifat dilaksanakan

pada kedua-dua alat pengelas. Keputusan yang terhasil memberikan prestasi

pengecaman yang lebih baik dengan perlakuran sifat untuk alat pengelas

pendiskriminan lelurus adalah sebanyak 99.5% manakala alat pengelas rangkaian

neural memberikan keputusan 100% pengelasan tepat. Ini bererti bagi setiap 500 imej

botol PET dan BUKAN-PET, tiada salah pengelasan berlaku dengan menggunakan

perlakuran sifat pada alat alat pengelasan rangkaian neural.

Set Botol PET Botol BUKAN-PET Purata

1 99.7 99.3 99.52 95 100 97.53 99.9 99.9 1004 96.6 97.2 96.95 99.7 98.2 98.9

112

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pura

ta

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pura

ta B

otol

PET

Bot

ol

BU

KA

N-

PET

Pur

ata

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Pura

ta

Bot

ol

PET

Bot

ol

BU

KA

N-

PET

Bot

ol

PET

Pur

ata

100

97.5

98.8

9395

.494

.299

.998

.499

.195

.296

.495

.810

099

99.9

100

AH

S : A

lgor

itma

haki

san

sepa

ra

AIP

T :

Alg

oritm

a im

ej p

angk

asan

terp

ilih

Per

laku

ran

Fit

ur

Peng

elas

Pen

disk

rim

inan

Lel

urus

Pe

ngel

as R

angk

aian

Neu

ral

Peng

elas

Pend

iskr

imin

an L

elur

us P

enge

las

Ran

gkai

an N

eura

l

99.5

99.9

AH

SA

IPT

AH

SA

IPT

Pura

ta

Bot

ol

BU

KA

N-

PET

Jadu

al 5

.16

Jadu

al p

erba

ndin

gan

kete

pata

n pe

ngel

asan

ant

ara

pen

gela

s di

skri

min

anda

n pe

ngel

as r

angk

aian

neu

ral

113

5.7 RUMUSAN KESELURUHAN PENGELASAN IMEJ BOTOL

Secara keseluruhannya, keputusan pengelasan imej botol menunjukkan semua sifat

yang disari dari ketiga-tiga algoritma yang dibangunkan boleh membezakan jenis

botol sama ada PET atau BUKAN-PET. Pengesahan dilakukan dengan melaksana

modul pengesahan dan pengujian menggunakan kaedah rangkaian neural dan

persamaan lelurus. Seterusnya vektor sifat dari algoritma hakisan separa dan algoritma

imej pangkasan kawasan terpilih dilakurkan dan peratus pengecaman dikira menerusi

kaedah pengelasan persamaan lelurus dan rangkaian neural. Keputusan perlakuran

sifat yang diperolehi juga menunjukkan peningkatan iaitu dengan peratus pengecaman

antara 99.5% ke 100%. Tujuan melakukan perlakuran sifat adalah supaya dapat

meningkatkan ketepatan pengecaman.

114

Contents

5.5.4 Perbincangan Pengelasan Analisa Warna Tekstur Silau ...............................................106

5.5.5 Keputusan Perlakuran Sifat............................................................................................108

5.6 Perbandingan Keputusan Antara Pengelas...............................................................................111

5.7 Rumusan Keseluruhan Pengelasan Imej Botol.........................................................................113

Rajah 5.1 , Jadual 5.1 103Rajah 5.2, Jadual 5.2 103Rajah 5.3 Jadual 5.3 103Rajah 5.4 Jadual 5.4 103Rajah 5.5 Jadual 5.5 103Rajah 5.6 Jadual 5.6 103Rajah 5.7 Jadual 5.7 103Rajah 5.8 Jadual 5.8 103Rajah 5.9 Jadual 5.9 103Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13 103Rajah 5.14 103Rajah 5.15 103Rajah 5.16 103Rajah 5.17 103Rajah 5.18 103Rajah 5.19, Rajah 5.20, Rajah 5.21 Rajah 5.22, Rajah 5.23, Rajah 5.24 103Rajah 5.25 Plot rangkaian neural input dan sasaran untuk latihan dari set 3 105Rajah 5.26 Plot rangkaian neural input dan sasaran untuk latihan dari set 3 106Rajah 5.27 Plot tertabur vektor sifat maksimum dari algoritma hakisan separa 109Rajah 5.28 Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih 109Rajah 5.29 Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata

110

115

Rajah 5.1 , Jadual 5.1 103Rajah 5.2, Jadual 5.2 103Rajah 5.3 Jadual 5.3 103Rajah 5.4 Jadual 5.4 103Rajah 5.5 Jadual 5.5 103Rajah 5.6 Jadual 5.6 103Rajah 5.7 Jadual 5.7 103Rajah 5.8 Jadual 5.8 103Rajah 5.9 Jadual 5.9 103Jadual 5.10 Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej pangkasan terpilih 104Jadual 5.11 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej kotak sempadan 107Jadual 5.12 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej pangkasan terpilih 107Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat 108Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus 110Jadual 5.15 Keputusan perlakuran sifat menggunakan rangkaian neural 111Jadual 5.16 Jadual perbandingan ketepatan pengelasan antara pengelas diskriminan dan pengelas rangkaian neural 112

Download - Bab vb

Top Related