124 lines
5.2 KiB
Markdown
124 lines
5.2 KiB
Markdown
# Sztuczna Inteligencja
|
|
|
|
**Temat projektu:** Inteligenta Śmieciarka
|
|
|
|
**Zespół:** Kacper Borkowski, Adam Borowski, Adam Osiowy
|
|
|
|
**Podprojekt:** Adam Osiowy - *segregator śmieci*
|
|
|
|
---
|
|
|
|
## Opis podprojektu:
|
|
|
|
- w projekcie wykorzystane zostały drzewa decyzyjne jako metoda uczenia
|
|
- projekt podzielony jest na 4 pliki
|
|
- plik tworzenie_danych_AO.py jest odpowiedzialny za wydobycie z każdego zdjęcia własności i zapis ich do pliku
|
|
![4](resources/screenShots/adamo4.png)
|
|
- w pliku uczenie_adamO.py znajdują się funkcje odpowiedzialne za uczenie i testowanie modelu
|
|
![5](resources/screenShots/adamo5.png)
|
|
- plik parametry_zdjec.h5 zawiera własności wszystkich zdjęć wykorzystanych w projekcie
|
|
- plik etykiety.h5 zawiera odpowiedni typ każdego ze zdjęć (glass,paper,plastic,metal)
|
|
|
|
---
|
|
|
|
## Ogólne działanie:
|
|
|
|
- na początku zbierane są informacje o każdym zdjęciu
|
|
```
|
|
momenty = wyznaczHuMomenty(zdj)
|
|
haralick = wyznaczHaralick(zdj)
|
|
histogram = wyznaczHistogram(zdj)
|
|
```
|
|
- wybrane własności to:
|
|
1. Histogram kolorów okreslający rozkład jasności pixeli w każdej komórce na zdjęciu w skali szarości
|
|
![6](resources/screenShots/adamo6.png)
|
|
zdjęcie jest przekształcane do przestrzeni barw hsv
|
|
po czym wyliczany jest histogram podając do funkcji zdjęcie, kanały (hsv), maskę, podział zdjęcia na 512 przedziałów (8x8x8), zakres każdego kanału
|
|
2. Momenty obrazu (Hu Moments) określające kształt obiektu na zdjęciu
|
|
![8](resources/screenShots/adamo8.png)
|
|
są średnią ważoną intensywności pikseli obrazu.
|
|
Są liczone ze wzoru:
|
|
![10](resources/screenShots/adamo10.png)
|
|
gdzie I(x,y) to intensywność pixela w danym punkcie
|
|
*Momenty surowe* - informują o intensywności pikseli i ich położeniu na obrazie
|
|
*Momenty centralne* - otrzymujemy po odjęciu od momentów surowych środka ciężkości danego kształtu
|
|
![11](resources/screenShots/adamo11.png)
|
|
momenty te są niezmienne w wyliczaniu to znaczy że jeśli kształt jest ten sam to nie ważne jest jego położenie na zdjęciu
|
|
*Momenty Hu* - to zbiór 7 liczb obliczonych na podstawie momentów centralnych.
|
|
Pierwsze 6 momentów są niezmienne dla translacji, skali i rotacji.
|
|
Podczas gdy znak siódmej liczby zmienia się wraz z odbiciem kształu (względem osi).
|
|
![12](resources/screenShots/adamo12.png)
|
|
|
|
3. Tekstura Haralicka określająca nasycenie ilości pixeli w skali szarości
|
|
![7](resources/screenShots/adamo7.png)
|
|
Haralick zasugerował zastosowanie macierzy współwystępowania poziomu szarości (GLCM).
|
|
Ta metoda opiera się na połączonych rozkładach prawdopodobieństwa par pikseli.
|
|
GLCM pokazuje, jak często każdy poziom szarości występuje w pikselach umieszczonych w ustalonym położeniu
|
|
geometrycznym względem siebie, w zależności od poziomu szarości
|
|
![13](resources/screenShots/adamo13.png)
|
|
|
|
- własności sa zapisywane jako macierze, ustawiane w szereg jako wiersz i zapisywane do pliku z danymi .h5
|
|
```
|
|
wiersz = np.hstack([momenty, histogram, haralick])
|
|
```
|
|
- dane dzielone są losowo na 2 pary, jedna testowa druga treningowa
|
|
```
|
|
(uczenieDane, testowanieDane, uczenieEtykiety, testowanieEtykiety) =
|
|
train_test_split(np.array(dane), np.array(etykiety), test_size=rozmiar_zbioru_testowego)
|
|
```
|
|
gdzie rozmiar zbioru testowego określony wcześniej na 20%
|
|
- tworzony jest estymator
|
|
```
|
|
rfc = RandomForestClassifier(max_depth=15, n_jobs=4, random_state=1)
|
|
```
|
|
gdzie n_jobs to ilość wątków, random_state pilnuje aby zbiór był zawsze dzielony tak samo,
|
|
a max_depth to maksymalna głebokość każdego drzewa
|
|
estymator domyślnie korzysta ze strategii opierającej się o indeks Giniego
|
|
```
|
|
'indeks Giniego jest to miara która określa jak często losowo wybrany element zostanie błędnie zidentyfikowany'
|
|
```
|
|
to znaczy ze element z najmniejszym indeksem Giniego powinien zostać wybrany
|
|
|
|
indeks jest obliczany ze wzoru:
|
|
|
|
![9](resources/screenShots/adamo9.png)
|
|
|
|
[przykład](https://www.geeksforgeeks.org/decision-tree-introduction-example/)
|
|
- estymator rozpoczyna uczenie korzystając ze zbiorów treningowych
|
|
```
|
|
rfc.fit(uczenieDane, uczenieEtykiety)
|
|
```
|
|
- następnie wyliczana jest skuteczność na zbiorach testowych
|
|
```
|
|
rfc.score(testowanieDane, testowanieEtykiety)
|
|
```
|
|
|
|
---
|
|
|
|
## Integracja z projektem zespołowym:
|
|
|
|
- Przy starcie programu estymator rozpoczyna nauke
|
|
```
|
|
rfc = adamO.rozpocznijUczenie()
|
|
```
|
|
- Śmieciarka porusza się po domach zbierając z nich śmieci
|
|
- Po zebraniu wszystkich śmieci kieruje się na wysypisko
|
|
- Każde zdjęcie śmieci jest segregowane z wykorzystaniem funkcji przewidującej typ
|
|
```
|
|
rodzaj = adamO.przewidz(smiec, rfc)
|
|
```
|
|
![3](resources/screenShots/adamo3.png)
|
|
- Zdjęcia posegregowanych śmieci umieszczane są w odpowiednich folderach:
|
|
|
|
![1](resources/screenShots/adamo1.png)
|
|
- Na koniec wyświetlane są losowo wybrane zdjęcia śmieci z kontenerów wraz z informacją o typie ustalonym przez estymator
|
|
![2](resources/screenShots/adamo2.png)
|
|
1. górny napis to typ zwrócony przez estymator
|
|
2. drugi napis to wartości prawpopodobieństwa z jakim estymator ocenił typ
|
|
3. trzeci napis to nazwa zdjęcia
|
|
|
|
---
|
|
|
|
## Efekt działania programu w postaci drzewa decyzyjnego:
|
|
![10](graph.png)
|