Projektmunka Az alma rothadásának optikai ellenőrzése - MemBrain Neural Network Editor
Német ajkú felhasználók számára: A tábla alapértelmezett nyelve az angol. Regisztrációkor a tábla nyelve németre változtatható! Külön fórumterületek vannak az angol és német hozzászólásokhoz.
Projektmunka Az almák szemrevételezéses vizsgálata korhadt részeknél
Van egy konkrét projekted, amin dolgozhatsz, és nem tudod, hogyan közelítsd meg a feladatot? Nem biztos abban, hogy a hálózati kialakítása megfelel-e problémájának, vagy vannak-e optimalizálási lehetőségek? Van-e értelme az adatait NN-alapú megközelítéssel megközelíteni? A MemBrain a megfelelő eszköz a probléma és az infrastruktúra számára?
Itt a megfelelő hely az ilyen típusú kérdésekhez.
Projektmunka Az almák szemrevételezéses vizsgálata korhadt részeknél
Írta: Loknar »2009. augusztus 5., szerda, 12:53
Szia,
Jelenleg kipróbálom a Mebrain projekt munkáját egy mesterkurzus részeként.
Azt hiszem, elég jól megértettem az alapokat, de mindig találkozom kisebb problémákkal, és még mindig nem vagyok biztos abban, hogyan lehet a problémát megfelelően kezelni.
Most röviden a projekthez:
Élelmiszertechnológiát tanultam, és egy projekten kell dolgoznom a mesterképzésben (témavezetőm szerint körülbelül fél diplomamunka szükséges).
Témavezetõm a mezõgazdasági technológiák területén tevékenykedik, és a projekt, amelyben részt veszek, az almák válogatásáról szól. Olyan rendszeren kutatnak, amely az almákat roncsolásmentesen és lustaságuk mértéke alapján optikai eszközök nélkül képes kiválogatni. Ehhez az almákat rothasztják és a rendszerrel megmérik. Minden mérés után azonban az almában a rothadás arányát kikaparják az almából, hogy ellenőrizzék, és így az alma elpusztul.
Most részemről ebben a projektben:
Az alma bomlásának megfigyeléséhez nem szabad elpusztítani az almát, ezért először optikai elemzés segítségével próbáltam megmérni az alma felületén lévő korhadt területeket. Ehhez fényképeztem az almát minden oldalról egy fényképezőgép és egy szervomotoros lemezjátszó segítségével, egyenletesen megvilágított dobozban, és az alma egyes szakaszait kombinálva "átfogó panorámát" kaptam (a Labview nézetben van szoftverem a fénykép + forgatás + panoráma elkészítéséhez). létrehozva, és a mérés kb. 1 percet vesz igénybe almánként).
Sajnos ez csak korlátozott mértékben korrelál az alma rothadásának arányával, mivel az alma belsejében nem látom a bomlási folyamat előrehaladását. Összegyűjtöttem tehát más értékeket, amelyeket gyorsan és roncsolásmentesen rögzíthettem. Ezek a tárolási idő, a kezdeti súly, a fogyás és az almafajta.
Most létrehoztam egy egyszerű ANN-ot, amelyben az optikai rothadt rész, a tárolás időtartama, a kezdeti súly, a fogyás és az almafajta volt a bemenet és a valódi rothadt rész a kimenet. 200 alma adatait mértem, 150-et elvittem edzésre, 50-et pedig a hálózat ellenőrzésére. Az ANN első próbálkozásai nagyon ígéretesek, de még nem vagyok biztos a megközelítésemben.
Van-e olyan ajánlott megközelítés, amelyet be kell tartania az ANN létrehozásakor (pl. Járjon el a rejtett rétegek számáig, vagy próbálja ki a legkülönfélébb tanárokat), és hogyan áll hozzá ehhez a munkájához? meghatározták a különböző korrelációkat és hibákat (RMSE, SE stb.) a különböző tanárok esetében, az átviteli funkciókat és az idegsejtek számát, de az idegsejtek kapcsolattípusa és a rejtett rétegek száma nem változott. Javasolható egy ilyen megközelítés? Van-e más módszer a hálózat minőségének meghatározására?
Ezenkívül mindig vannak kisebb problémáim a tanárral:
Időnként előfordul, hogy a tanár eleinte viszonylag kicsi nettó hibát ér el (pl. 0,13), majd hirtelen a nettó hiba ismét gyorsan emelkedik (pl.> 3), és már nem javul. Ezenkívül mindig az a problémám van, hogy ha jól megtanultam a hálózatot (Net Error 0.1), és ellenőrizni szeretném (az 50 tesztértéket a Lessen Editor segítségével töltöm be, és megnyomom a Net Evaluate-t), akkor lényegesen nagyobb nettó hibát kapok (pl. 0, 5). Ha ezután újra átveszem a tanulási adatokat és ellenőrzem a hálózatot, akkor a nettó hiba is sokkal nagyobb, bár a hálózaton semmit sem változtattam. (Hibázok itt?)
Nagyon köszönöm Thomas Jetternek, hogy elérhetővé tette ezt a könnyen használható és nagyszerű programot.
Re: Projektmunka Az almák szemrevételezéses vizsgálata korhadt adagok szempontjából
Írta: Rendszergazda »2009. augusztus 5., szerda, 22:11
rövid kérdés először: Olvastad már a fórum többi szálát? Érdekes információk lehetnek ott, még akkor is, ha természetesen minden projekt más és más.
Jó megközelítés, ha először csak egy rejtett réteget használunk, az idegsejtek számát feleannyira választanám, mint amennyi Önnek van bemenete (azaz esetünkben 2-3 rejtett neuron). Általában nagyon ügyes vagy, és a további kísérletek ritkán hoznak sok javulást.
A tanárral kapcsolatban:
A legjobb tanár a legtöbb esetben az RPROP. Ritkán ér el jobb edzéseredményeket backprop lendülettel, és az edzés mindig sokkal tovább tart.
Az aktiválási funkciókkal kapcsolatban: Használja a 'LOGISTIC' funkciót a rejtett és a kimenő neuronokhoz, a legjobb tapasztalatokkal rendelkeztem. Néha azonban a TAN-HYP is jobb, itt sincs szabály. Tehát mindenképpen megér egy próbát.
PS: Talál több mint 200 lemezt? 1000 jobb lenne