Volltextdatei(en) in REPOSIT vorhanden Open Access
Lizenz: 
Titel: Eignungsuntersuchung von Klassifikations- und Deep-Learning-Verfahren zurkamerabasierten Erkennung natürlicher Objekte
Sonstige Titel: Examination of classification and deep learning procedures for the camera basedrecognition of natural objects.
Sprache: Deutsch
Autorenschaft: Drössler, Lars 
Schlagwörter: Convolutional Neural Network; SIFT; SURF; ORB; AKAZE; Deep-Learning; Food; Computer Vision; Haar-like Features; Convolutional Neural Network; SIFT; SURF; ORB; AKAZE; Deep Learning; Food; Computer Vision; Haar-like features
Erscheinungsdatum: 23-Jun-2017
Zusammenfassung: 
In dieser Arbeit wird eine Auswahl an Verfahren vorgestellt und auf ihre Eignung zur Klassifizierung natürlicher Objekte untersucht. Hierzu werden eine Reihe von Experimenten basierend auf publizierten Verfahren durchgeführt, in denen überprüft wird, wie gut die entsprechenden Verfahren natürliche Objekte in Fotos erkennen können. Als natürliche Objekte wurden für diese Testreihe verschiedene Gemüse- und Obstsorten gewählt. Diese Arbeit ist dazu ausgelegt, als Entscheidungshilfe für die Erstellung von Anwendungen zu dienen, in welchen es notwendig ist natürliche Objekte korrekt zu klassifizieren.

This paper presents a selection of methods and examines them for their suitability to recognize natural objects. For this purpose, a series of experiments based on published procedures are conducted. These experiments test how said procedures perform and if they are used to recognize natural objects in images. The natural objects used in these experiments are different kinds of vegetables and fruits. This paper is intended to serve as a decision-making aid for the implementation of an application which should, amongst other things, recognize natural objects.
URI: http://hdl.handle.net/20.500.12738/8053
Einrichtung: Department Informatik 
Dokumenttyp: Abschlussarbeit
Abschlussarbeitentyp: Bachelorarbeit
Hauptgutachter*in: von Luck, Kai 
Gutachter*in der Arbeit: Meisel, Andreas 
Enthalten in den Sammlungen:Theses

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat
Bachelorarbeit_Lars_Droessler.pdf1.48 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Seitenansichten

141
checked on 26.12.2024

Download(s)

93
checked on 26.12.2024

Google ScholarTM

Prüfe

HAW Katalog

Prüfe

Feedback zu diesem Datensatz


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.