Работа на проектот Оптичка проверка на гниење на јаболка - Уредувач на нервни мрежи MemBrain
За корисници кои зборуваат германски: Стандардниот јазик на таблата е англиски. При регистрација, јазикот на таблата може да се смени во германски! Постојат посебни области за форуми за англиски и германски придонес.
Работа на проектот Визуелна инспекција на јаболка за расипан дел
Дали имате специфичен проект за работа и не знаете како да пристапите кон задачата? Не сте сигурни дали вашиот мрежен дизајн одговара на вашиот проблем или дали постојат можности за оптимизација? Дали воопшто има смисла да им пристапувате на вашите податоци со пристап базиран на NN? Дали MemBrain е вистинската алатка за вашиот проблем и вашата инфраструктура?
Еве го вистинското место за овие типови прашања.
Работа на проектот Визуелна инспекција на јаболка за расипан дел
Објавено од Локнар »На 5 август 2009 година, во 12:53 часот
Здраво,
Моментално се обидувам во Мебриин за проектна работа како дел од магистерски курс.
Мислам дека ги разбрав основите доста добро, но секогаш наидувам на помали проблеми и сè уште не сум сигурен како правилно да му пристапам на проблемот.
Накратко на проектот:
Студирав технологија за храна и треба да работам на проект од магистерската програма (според мојот претпоставен, потребни се околу половина магистерска теза).
Мојот претпоставен е од областа на земјоделскиот инженеринг и проектот во кој сум вклучен е за сортирање јаболка. Се спроведува истражување на систем кој може да ги сорти јаболките неразорно и без оптички средства врз основа на нивниот степен на мрзеливост. За ова, јаболката се става да скапува и се мери со системот. Како и да е, по секое мерење, процентот на гнилост во јаболкото е изгребан од јаболкото за да се провери и со тоа јаболкото се уништува.
Сега за моја учество во овој проект:
За да можам да го набудувам процесот на распаѓање на јаболката, не смее да се уништуваат јаболката, па затоа најпрво се обидов да ги измерам скапаните области на површината на јаболката со помош на оптичка анализа. За ова го фотографирав јаболкото од сите страни со помош на камера и грамофонка со сервомотор во рамномерно осветлена кутија и ги комбинирав одделните делови на јаболкото за да формирам „целосна панорама“ (го имам софтверот за фотографија + ротација + панорама во Labview создадено и мерењето трае околу 1 мин на јаболко).
За жал, ова корелира само во ограничена мерка со процентот на гнилост во јаболкото, бидејќи не можам да го видам напредокот на процесот на распаѓање во јаболкото. Така, собрав други вредности што можев да ги забележам брзо и деструктивно. Ова се време на складирање, почетна тежина, губење на тежината и разновидност на јаболка.
Сега создадов едноставна ANN со оптички гнил дел, времетраење на складирање, почетна тежина, губење на тежината и разновидност на јаболка како влезови и вистински скапан дел како излез. Јас измерив податоци од 200 јаболка и зедов 150 за обука и 50 за да ја проверам мрежата. Првите обиди со ANN изгледаат многу ветувачки, но сè уште не сум сигурен за мојот пристап.
Дали има некој препорачан пристап што треба да го следите кога креирате ANN (на пример, поработете се до бројот на скриени слоеви или испробајте разни наставници) и како пристапувате на ова во вашата работа? Најдов извор во беа наведени различните корелации и грешки (RMSE, SE итн.) за различни наставници, функциите на трансфер и бројот на неврони, но видот на врската на невроните и бројот на скриени слоеви не беа променети. Дали се препорачува таков пристап? Дали има други начини за специфицирање на квалитетот на мрежата?
Покрај тоа, секогаш имам мали проблеми со наставникот:
Сега и тогаш се случува наставникот првично да достигне релативно мала нето-грешка (на пример, 0,13), а потоа одеднаш нето-грешката повторно брзо се зголемува (на пример> 3) и повеќе да не се подобрува. Покрај тоа, секогаш имам проблем дека ако добро ја научив мрежата (Нето грешка 0,1) и сакам да ја проверам (ги вчитувам 50-те вредности на тестот преку Уредникот на лесен и притискам Евалуација на мрежата) добивам значително поголема грешка во мрежата (на пр., 5). Ако потоа повторно ги земам податоците за учење и ја проверам мрежата, нето-грешката е исто така многу поголема, иако не сменив ништо на мрежата. (Дали правам грешка тука?)
Голема благодарност до Томас terетер што ја направи достапна оваа лесна за употреба и одлична програма.
Re: Проектна работа Визуелна инспекција на јаболка за расипан дел
Објавено од Администратор »Нед. 5 август 2009 година, 22:11 часот
прво кратко прашање: Дали веќе ги прочитавте другите теми на овој форум? Може да има интересни информации таму, дури и ако секако секој проект е различен.
Добар пристап е првично да се користи само еден скриен слој, би избрал број на неврони половина поголем од колку што имате влезови (т.е. 2-3 скриени неврони во вашиот случај). Обично сте прилично добри во тоа, и понатамошните обиди ретко носат многу подобрување.
Во врска со наставникот:
Најдобар наставник во повеќето случаи е RPROP. Ретко постигнувате подобри резултати од тренингот со повратна моќ и обуката секогаш трае многу подолго.
Во врска со функциите за активирање: Користете „ЛОГИСТИК“ за скриени и излезни неврони, имав најдобри искуства со тоа. Понекогаш, сепак, TAN-HYP е исто така подобар, ниту тука нема правило. Значи, дефинитивно вреди да се проба.
ПС: Можете ли да најдете повеќе од 200 записи? 1000 би било подобро