Multi-Aras Rangkaian Neural untuk Pengecaman Warna

Keperluan sistem pengecaman warna secara automatik dalam industri, aplikasi secara komersil, mahupun pertanian telah menjadi semakin penting. Contohnya seperti pengkodan warna dalam pembuatan barangan elektrik, kesesuaian ton warna dalam menyamak kulit binatang dan dalam industri cat, pengecaman...

Full description

Saved in:

Bibliographic Details
Main Author:	Yaakob, Razali
Format:	Thesis
Language:	English Malay
Published:	1999
Subjects:	Neural networks (Computer science). Color and form recognition test.
Online Access:	http://psasir.upm.edu.my/id/eprint/9636/1/FSKTM_1999_9_A.pdf
Tags:	Add Tag No Tags, Be the first to tag this record!

id	my-upm-ir.9636
record_format	uketd_dc
spelling	my-upm-ir.96362023-11-29T01:36:09Z Multi-Aras Rangkaian Neural untuk Pengecaman Warna 1999-03 Yaakob, Razali Keperluan sistem pengecaman warna secara automatik dalam industri, aplikasi secara komersil, mahupun pertanian telah menjadi semakin penting. Contohnya seperti pengkodan warna dalam pembuatan barangan elektrik, kesesuaian ton warna dalam menyamak kulit binatang dan dalam industri cat, pengecaman warna sebagai bantuan bagi yang buta atau buta-warna dan pengecaman sebagai parameter yang boleh dipercayai bagi pengecaman objek dalam robotik. Contoh yang lebih khusus ialah pengkelasan warna berlian, pengawalan kualiti bagi pembuatan kertas warna dan penggredan buah-buahan berdasarkan warna. Kaedah multi-aras rangkaian neural digunakan untuk mengecam warna secara automatik. Data yang mewakili warna diimbas menggunakan Minolta Chroma Meter yang berupaya menukarkan warna kepada nilai. Ia menyediakan lima sistem wama bagi pengukuran kromatisiti iaitu CIE Yxy, Lab, LCHo, Hunter Lab dan XYZ. Hanya sistem warna L ab yang digunakan bagi kajian ini. Pada awal kajian, dua jenis rangkaian neural digunakan iaitu backpropagation (BP) dan counterp ropagation (CPN). Sebanyak 100 data (warna) digunakan sebagai pengujian. Hasilnya didapati dalam masa yang singkat, CPN telah mencapai 100% pengecaman data yang dilatih dan data yang tidak dilatih berbanding dengan BP yang hanya mencapai 49% pengecaman bagi data dilatih dan 48% bagi data tidak dilatih. Apabila bilangan data ditambah kepada 808, proses latihan memerlukan ruang ingatan yang besar, masa pembelajaran yang lebih lama dan peratus pengecaman kurang memuaskan. Bagi menyelesaikan masalah tersebut, gabungan dua rangkaian CPN telah dibangunkan. Hasilnya peratus pengecaman bertambah baik berbanding kajian awal dengan 99% pengecaman bagi data yang dilatih dan data yang tidak dilatih. Neural networks (Computer science). Color and form recognition test. 1999-03 Thesis http://psasir.upm.edu.my/id/eprint/9636/ http://psasir.upm.edu.my/id/eprint/9636/1/FSKTM_1999_9_A.pdf text en public masters Universiti Putra Malaysia Neural networks (Computer science). Color and form recognition test. Faculty of Computer Science and Information Technology Sulaiman, Md. Nasir Malay
institution	Universiti Putra Malaysia
collection	PSAS Institutional Repository
language	English Malay
advisor	Sulaiman, Md. Nasir
topic	Neural networks (Computer science). Color and form recognition test.
spellingShingle	Neural networks (Computer science). Color and form recognition test. Yaakob, Razali Multi-Aras Rangkaian Neural untuk Pengecaman Warna
description	Keperluan sistem pengecaman warna secara automatik dalam industri, aplikasi secara komersil, mahupun pertanian telah menjadi semakin penting. Contohnya seperti pengkodan warna dalam pembuatan barangan elektrik, kesesuaian ton warna dalam menyamak kulit binatang dan dalam industri cat, pengecaman warna sebagai bantuan bagi yang buta atau buta-warna dan pengecaman sebagai parameter yang boleh dipercayai bagi pengecaman objek dalam robotik. Contoh yang lebih khusus ialah pengkelasan warna berlian, pengawalan kualiti bagi pembuatan kertas warna dan penggredan buah-buahan berdasarkan warna. Kaedah multi-aras rangkaian neural digunakan untuk mengecam warna secara automatik. Data yang mewakili warna diimbas menggunakan Minolta Chroma Meter yang berupaya menukarkan warna kepada nilai. Ia menyediakan lima sistem wama bagi pengukuran kromatisiti iaitu CIE Yxy, Lab, LCHo, Hunter Lab dan XYZ. Hanya sistem warna L ab yang digunakan bagi kajian ini. Pada awal kajian, dua jenis rangkaian neural digunakan iaitu backpropagation (BP) dan counterp ropagation (CPN). Sebanyak 100 data (warna) digunakan sebagai pengujian. Hasilnya didapati dalam masa yang singkat, CPN telah mencapai 100% pengecaman data yang dilatih dan data yang tidak dilatih berbanding dengan BP yang hanya mencapai 49% pengecaman bagi data dilatih dan 48% bagi data tidak dilatih. Apabila bilangan data ditambah kepada 808, proses latihan memerlukan ruang ingatan yang besar, masa pembelajaran yang lebih lama dan peratus pengecaman kurang memuaskan. Bagi menyelesaikan masalah tersebut, gabungan dua rangkaian CPN telah dibangunkan. Hasilnya peratus pengecaman bertambah baik berbanding kajian awal dengan 99% pengecaman bagi data yang dilatih dan data yang tidak dilatih.
format	Thesis
qualification_level	Master's degree
author	Yaakob, Razali
author_facet	Yaakob, Razali
author_sort	Yaakob, Razali
title	Multi-Aras Rangkaian Neural untuk Pengecaman Warna
title_short	Multi-Aras Rangkaian Neural untuk Pengecaman Warna
title_full	Multi-Aras Rangkaian Neural untuk Pengecaman Warna
title_fullStr	Multi-Aras Rangkaian Neural untuk Pengecaman Warna
title_full_unstemmed	Multi-Aras Rangkaian Neural untuk Pengecaman Warna
title_sort	multi-aras rangkaian neural untuk pengecaman warna
granting_institution	Universiti Putra Malaysia
granting_department	Faculty of Computer Science and Information Technology
publishDate	1999
url	http://psasir.upm.edu.my/id/eprint/9636/1/FSKTM_1999_9_A.pdf
_version_	1794018870896361472

Multi-Aras Rangkaian Neural untuk Pengecaman Warna

Similar Items