Bab ini membincangkan hasil dan kesimpulan yang diperoleh dari pelaksanaan algoritma pengelasan imej botol plastik PET dan bukan-PET. Algoritma utama yang digunakan adalah algoritma berdasarkan bentuk dan analisis warna-tekstur. Hasil pengujian menunjukkan algoritma berdasarkan bentuk dapat mengelaskan imej botol dengan tepat menggunakan vektor ciri tertentu dan teknik pengelasan tertentu.
1. 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.
2. 74
Teknik
pemprosesan
imej
Teknik sarian
sifat
Vektor sifat
Penentuan
pendiskriminan
lelurus
Pengelasan
Rangkaian
Neural
Pengujian pengelasan
pengesahan 5 set sampel
imej baik
Pengukuran
peratus
pengelasan
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.
4. 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
Botol BUKAN PET
Imej /arah
CC
Imej 1
Imej 2
Imej 3
Imej 4
Imej 5
Imej 6
Imej 7
Imej 8
Imej 9
Imej 10
Jadual 5.4
0
0.68
0.87
0.27
0.26
0.24
0.58
0.63
0.32
0.28
0.48
2
1.00
0.46
1.00
1.00
1.00
1.00
1.00
1.00
0.97
1.00
4
0.89
1.00
0.86
0.64
0.57
0.67
0.60
0.79
0.51
0.72
6
0.93
0.44
0.98
0.43
0.20
0.24
0.63
0.91
1.00
0.39
stdev
0.14
0.29
0.35
0.32
0.37
0.31
0.19
0.30
0.35
0.27
Vektor sifat bermakna untuk Botol PET
Botol PET
Imej /arah
CC
Imej 1
Imej 2
Imej 3
Imej 4
Imej 5
Imej 6
Imej 7
Imej 8
Imej 9
Imej 10
0
0.10
0.07
0.07
0.08
0.12
0.07
0.05
0.10
0.05
0.04
2
1.00
1.00
1.00
1.00
1.00
1.00
1.00
0.77
1.00
1.00
4
0.16
0.15
0.22
0.17
0.17
0.25
0.19
0.25
0.37
0.11
6
1.00
1.00
0.96
0.96
0.93
0.93
0.84
1.00
0.70
0.74
stdev
0.50
0.51
0.49
0.50
0.47
0.47
0.47
0.43
0.41
0.47
5. 77
Botol BUKAN-PET
Botol PET
0.6
0.5
0.4
Nilai Sisihan
0.3
Piawai
0.2
0.1
0
0
50
100
150
200
Bilangan Imej
Rajah 5.3
Plot hasil pengelasan bentuk botol plastik untuk 4 set data
0.5
0.45
0.4
0.35
0.3
Nilai Sisihan
0.25
Piawai
0.2
Botol BUKAN-PET
Botol PET
0.15
0.1
0.05
0
0
50
100
150
200
Bilangan imej
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
6. 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
7. 79
berlaku setelah 180o sudut dilaksanakan. Keadaan ini disebabkan
botol plastik
mempunyai bentuk yang simetri.
0.06
0.05
0.04
Jumlah Nilai 0.03
Piksel
0.02
(a)
0.01
Botol PET
0
1 19 37 55 73 91 109127145163
Bilangan Imej
0.009
0.008
0.007
0.006
0.005
0.004
Jumlah Nilai 0.003
0.002
Piksel
0.001
0
(b)
Botol BUKAN-PET
1 15 29 43 57 71 85 99 113127141155169
Bilangan Imej
Rajah 5.5
5.3.1
Plot vektor sifat 1o hingga 180o untuk sebuah imej (a) Botol PET
dan (b) BUKAN-PET
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.
9. 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
Botol PET
o
o
1 hingga 20
0.11
0.02
21o hingga 40o
Botol BUKAN-PET
0.10
0.01
o
o
0.06
o
o
0.24
0.02
0.07
41 hingga 60
61 hingga 80
81o hingga 100o
0.79
0.21
o
o
0.20
0.06
o
o
121 hingga 140
0.06
0.02
141o hingga 160o
0.03
0.01
0.12
0.79
0.24
0.11
101 hingga 120
o
o
160 hingga 180
Nilai Maksimum
Nilai Maksimum2
0.21
0.11
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
10. 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
N
i
l
a
i
k
e
k
e
r
a
p
a
n
0.8
0.25
N
i
l
a
i
0.7
0.6
0.5
0.2
0.15
k
e
k
e
r
a
p
a
n
0.4
0.3
0.2
0.1
0
1
2
3
4
5
6
7
8
9
(a)9 bin piksel ternormal Botol PET
Rajah 5.7
0.1
0.05
0
1
2
3
4
5
6
7
8
9
(b)9 bin piksel ternormal Botol BUKAN-PET
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.
11. 83
(a)Botol BUKAN-PET – bentuk
sekata antara sudut 90o dan 180o
Rajah 5.8
5.3.2
(b)Botol PET – bentuk tidak sekata
antara sudut 90o dan 180o
Perbezaan bentuk antara botol PET dan botol BUKAN-PET
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.
12. 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.
13. 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%
85
14. 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%
86
15. 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
16. 88
Contoh kawasan bilangan vektor pada tahap keyakinan 90% dan 10% seperti yang
ditunjukkan dalam Rajah 5.1
5.11.
Bilangan vektor pada 90%
tahap keyakinan
Bilangan vektor pada 10%
tahap keyakinan
10 %
Rajah 5.11
Peratusan tahap keyakinan
90 %
Kawasan taburan bilangan vektor pada 10% dan 90% tahap keyakinan
ii. Langkah 2:
Berdasarkan taburan Gaussian, vektor yang baik sepatutnya memenuhi aras
aussian,
antara 90% dan 10% secara maksimum. Rajah 5.12 di mana taburan botol PET
adalah secara maksima di antara aras yang ditetapkan.
90%
10%
Rajah 5.12
otol
Taburan vektor sifat untuk kelas botol PET
17. 89
iii. Langkah 3:
Demikian juga taburan Gaussian Rajah 5.13 di bawah. Taburan botol
BUKAN-PET adalah secara maksima di antara aras yang ditetapkan.
PET
90%
10%
Rajah 5.13
13
Taburan vektor sifat untuk botol BUKAN_PET
otol
iv. Langkah 4:
-dua kelas botol ini diplot dalam satu rajah, dua keadaan seperti
Apabila keduaberikut terjadi. Perbezaan dua kelas taburan vektor secara positif dan negatif.
Rujuk Rajah 5.1 dan Rajah 5.15 untuk perbezaan taburan gabungan
5.14
parameter saiz elemen struktur dan tahap hakisan iaitu 5x5 dan 70% serta 5x5
dan 50 %.
90%
10%
90%
10%
J
Rajah 5.14
Perbezaan antara dua kelas yang menunjukkan perbezaan positif
18. 90
Rajah 5.14 menunjukkan perbe
perbezaan positif untuk taburan vektor sifat antara dua kelas
bentuk botol. Manakala Rajah 5.15 pula menunjukkan perbezaan taburan vektor
antara dua kelas bentuk botol adalah negatif yang diwakili gabungan parameter saiz
matrik bersamaan 5 dan tahap hakisan adalah 7
aan
70%.
90%
90%
10%
10%
J
Rajah 5.15
Perbezaan antara dua kelas yang menunjukkan perbezaan negatif
Pemilihan pemboleh ubah paling optimal dibuat dengan membandingkan beza
buat
antara taburan vektor yang dipilih pada kesemua gabungan parameter yang diuji
seperti yang ditunjukkan sebelum ini. Berdasarkan Rajah 5.14 nilai J ditentukan
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
n
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. Jadual yang menunjukk keputusan
menunjukkan
keseluruhan ujian secara statistik bagi penentuan gabungan parameter paling optimal
ada ditunjukkan dalam Jadual 5.6 di mukasurat seterusnya.
19. 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
20. 92
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
Gabungan Parameter
Saiz
Matriks % Hakisan
Vektor Fitur Bentuk Botol
Pembolehubah maksimum
Pembolehubah maksimum2
Ujian
Ujian Tahap
Ujian Tahap
Korelasi
Keyakinan
Ujian Korelasi
Keyakinan
3x3
3x3
3x3
3x3
30%
50%
70%
100%
0.123
0.067
0.049
0.049
0.125
0.310
0.349
0.349
0.000
0.020
0.030
0.030
0.000
-0.232
-0.166
-0.166
5x5
5x5
5x5
5x5
30%
50%
70%
100%
0.103
0.102
0.128
0.014
0.255
0.338
0.403
0.309
0.013
-0.036
0.099
-0.003
-0.007
0.000
0.153
0.013
7x7
7x7
7x7
7x7
30%
50%
70%
100%
0.044
-0.014
-0.062
-0.087
0.324
0.355
0.253
0.194
0.075
-0.127
-0.062
-0.020
0.032
-0.088
-0.063
-0.056
10 x 10
10 x 10
10 x 10
10 x 10
30%
50%
70%
100%
0.003
-0.074
-0.110
-0.107
0.340
0.235
0.149
0.074
-0.004
-0.130
-0.026
0.055
0.131
-0.067
-0.052
-0.044
15 x 15
15 x 15
15 x 15
15 x 15
30%
50%
70%
100%
-0.051
-0.105
-0.076
-0.075
0.381
0.097
-0.033
-0.075
-0.103
-0.074
-0.007
-0.085
-0.027
-0.097
-0.115
-0.112
21. 93
Rajah 5.16
eputusan
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.
22. 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:
˱{
{
È
{#""
{
(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 ):
Y{ͻ{
;ͻÈ;ͻ{
XͻXͼ{
(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
23. 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.
Latar belakang
Rajah 5.17
Imej botol
Imej kotak sempadan dan histogram intensiti untuk Botol PET
Imej kotak sempadan
Latar belakang
Rajah 5.18
Imej botol
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.
24. 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.
Rantau terpilih
Imej disegmen
Histogram intensiti
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.
ͽWYY
{ Y{ WYY { Y{ W{{ Y{ {
(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;
WYY
{ Y{ WYY {{ Y{ .
ͽWYY {
W{{ Y{ {
(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.
25. 97
Rantau terpilih
Imej disegmen
Histogram intensiti
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
26. 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-
27. 99
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.
Plot Taburan 200 data vektor ciri latihan
6
5
maks2
4
3
2
Botol Lebar
Botol Kurus
Garis Fungsi Pembeza
1
data4
data5
data6
0
2
4
6
8
10
12
14
16
18
20
maks
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.
28. Set 2
Botol Botol
Purata
PET BUKANPET
[Set1,Set3,Set4,Set5]
100 94.5
97.3
Set 3
Botol Botol
Purata
PET BUKANPET
[Set1,Set2,Set4,Set5]
100 97.5
98.8
Set 4
Purata
Botol Botol
PET BUKANPET
[Set1,Set2,Set3,Set5]
100 95
97.5
Set 5
Botol PET Botol
Purata
BUKANPET
[Set1,Set2,Set3,Set4]
99
97
98
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
Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma hakisan separa
Persamaan 8.30x1+19.37x2+ 9.00=0
Lelurus
Latih
Set 1
Purata
Botol Botol
PET BUKANPET
Uji
[Set2,Set3,Set4,Set5]
Keputusan 96.5 96.5
96.5
Jadual 5.7
100
29. 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
Set
1
2
3
4
5
Keputusan pengelasan bentuk botol untuk rangkaian neural tiruan bagi
algoritma hakisan separa
Peratus Pengecaman (%)
Botol PET
99.4
99.5
99.9
99.6
99.7
Peratus Pengecaman (%)
Botol BUKAN-PET
98.2
98.2
98.4
97.2
98.2
Purata
98.8
98.9
99.2
98.4
99
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.
30. 102
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.
0.6
0.55
0.5
0.45
0.4
Nilai sisihan
piawai
0.35
0.3
0.25
0.2
0.15
0.1
1
1.5
2
2.5
3
3.5
4
4.5
Nilai purata
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
31. 103
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.
0.7
0.6
0.5
Nilai sisihan
piawai
0.4
0.3
0.2
0.1
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Nilai purata
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.
32. [Set2,Set3,Set4,Set5]
[Set1,Set3,Set4,Set5]
[Set1,Set2,Set4,Set5]
[Set1,Set2,Set3,Set5] [Set1,Set2,Set3,Set4]
85.9
86
85.9 85.2
88.2
86.7 87.6
88.7 88.1 82.1
87.6 84.8 82.9
85.7 84..3
Set 3
Set 4
Set 5
Purata Botol Botol
Purata
Botol Botol
Purata Botol Botol
PET BUKANPET BUKANPET BUKANPET
PET
PET
Uji
Ujian
Set 2
Botol Botol
Purata
PET BUKANPET
Set 1
Botol Botol
Purata
PET BUKANPET
Latih
-0.01x1+-25.78x2+8.00=0 -0.02x1+-0.06x2=0.09=0 -1.95x1+-1.185+6.00=0 -0.03x1+ -0.01x2+0.09=0
Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej kotak sempadan
Persamaan -0.01x1+-0.04x2+0.04=0
Lelurus
Jadual 5.9
104
33. 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
Rajah 5.2 Histogram 8 arah kod rantaian dengan susunan lingkaran tertutup
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
Rajah 5.5 Plot vektor sifat 1o hingga 180o untuk sebuah imej (a) Botol PET
Rajah 5.6 Plot tertabur untuk pengurangan data 180o bahagi (a)20, (b)30 dan (c)60
Rajah 5.7 Contoh Janaan Histogram 9 bin piksel ternormal untuk sebiji botol PET dan
BUKAN-PET
Rajah 5.8 Perbezaan bentuk antara botol PET dan botol BUKAN-PET
Rajah 5.9 Vektor sifat maksimum Botol PET dan BUKAN-PET pada gabungan hakisan
separa saiz matrik 3x3 dan peratus hakisan
Rajah 5.10 Vektor sifat maksimum2 Botol PET dan BUKAN-PET pada gabungan hakisan
separa saiz matrik 3 x3 dan
Rajah 5.11
Kawasan taburan bilangan vektor pada 10% dan 90% tahap keyakinan
Rajah 5.12
Taburan vektor sifat untuk kelas Botol PET
Rajah 5.13
Taburan Vektor Sifat untuk Botol BUKAN_PET
Rajah 5.14
Perbezaan antara dua kelas yang menunjukkan perbezaan positif
Rajah 5.15
Perbezaan antara dua kelas yang menunjukkan perbezaan negatif
74
75
77
77
79
80
82
83
85
86
88
88
89
89
90
34. 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
Jadual 5.2
Vektor sifat botol PET untuk 8 arah kod rantaian
Jadual 5.3
Vektor sifat bermakna untuk botol BUKAN-PET
Jadual 5.4
Vektor sifat bermakna untuk Botol PET
Jadual 5.5
Sampel data untuk sembilan selang
Jadual 5.6
Ringkasan keputusan ujian secara statistik pemilihan gabungan
Jadual 5.7
Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi
algoritma hakisan separa
Jadual 5.8
Keputusan pengelasan bentuk botol untuk rangkaian neural tiruan bagi
Jadual 5.9
Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi
algoritma imej kotak sempadan
75
75
76
76
81
92
100
101
104