Burgonya fajták azonosítása és minősítése digitális képanalízis felhasználásával

Hasonló dokumentumok
DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI

Burgonyavásárlási- és fogyasztási szokások Magyarországon egy Pannon egyetemi felmérés tükrében

Burgonyafajták minősítése (Fajtaazonosítás és ~minősítés digitális képanalízis felhasználásával) 1

Identification of Potato Genotypes Using Digital Image Analysis. Burgonya fajták azonosítása és minősítése digitális képanalízis felhasználásával

a burgonyanemesítésben

Agrárinformatikai tanulmányok II.

Hegedűs Géza, Virág Eszter: Drón programozása

A kísérleti terület talajvizsgálati eredményei, Solum Zrt, Komárom (adatok: UIS Ungarn Kft. vizsgálati eredményei)

Fajtavizsgálatok ökológiai burgonyatermesztésben

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.

AZ ÉTKEZÉSI BURGONYÁRA VONATKOZÓ MINŐSÉGI KÖVETELMÉNYEK

A solti kísérleti terület talajvizsgálati eredményei. Vizsgálat típusa: Bővített talajvizsgálat (H2) P 2 O 5 K 2 O Na Mg NO 2- NO 3 - N

y ij = µ + α i + e ij

Számítógépes Grafika SZIE YMÉK

JELENTÉS. Az EM-1 nevű antagonista/szinergista mikrobiológiai készítmény burgonyatermesztésben való felhasználhatóságáról

JELENTÉS. Az EM-I nevű antagonista/szinergista mikrobiológiai készítmény burgonyatermesztésben való felhasználásáról

Elemi statisztika fizikusoknak

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

FAJTASPECIFIKUS KUTATÁSI INTEGRÁLT INFORMATIKAI RENDSZER

Élelmiszer-hamisítás kimutatásának lehetősége NIR spektroszkópia segítségével

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A mérés problémája a pedagógiában. Dr. Nyéki Lajos 2015

Dr. Nagy Zita Barbara igazgatóhelyettes KÖVET Egyesület a Fenntartható Gazdaságért november 15.

TEXTÚRA ANALÍZIS VIZSGÁLATOK LEHETŐSÉGEI A RADIOLÓGIÁBAN

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

Túl szűk vagy éppen túl tágas terek 3D-szkennelése a Geodézia Zrt.-nél Stenzel Sándor - Geodézia Zrt. MFTTT 31. Vándorgyűlés, Szekszárd

nyme ktk KTK_symbol.ai méretezés alapok Közgazdaságtudományi Kar emblémája adobe illustrator nyme arculati kézikönyv forrásfájok használata

Távérzékelés a precíziós gazdálkodás szolgálatában : látvány vagy tudomány. Verőné Dr. Wojtaszek Malgorzata

A HŐMÉRSÉKLET ÉS A CSAPADÉK HATÁSA A BÜKK NÖVEKEDÉSÉRE

Az éghajlati modellek eredményeinek alkalmazhatósága hatásvizsgálatokban

Digitális képfeldolgozó rendszer

Alter Róbert Báró Csaba Sensor Technologies Kft

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

Minták automatikus osztályba sorolása a mintát leíró jellemzők alapján. Típusok: felügyelt és felügyelet nélküli tanuló eljárások

Közösség detektálás gráfokban

A 2017-es Országos Kompetenciamérés eredményei:

LIV. Georgikon Napok Keszthely, Hízott libamáj zöldülésének vizsgálata

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet

Agrár-környezetvédelmi Modul Agrár-környezetvédelem, agrotechnológia. KÖRNYEZETGAZDÁLKODÁSI MÉRNÖKI MSc TERMÉSZETVÉDELMI MÉRNÖKI MSc

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

Strukturált Generátorrendszerek Online Tanulása és Alk-ai

Növények spektrális tulajdonságának vizsgálata Kovács László, Dr. Borsa Béla, Dr. Földesi István FVM Mezőgazdasági Gépesítési Intézet

Spektrográf elvi felépítése. B: maszk. A: távcső. Ø maszk. Rés Itt lencse, de általában komplex tükörrendszer

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

A kísérleti terület talajvizsgálati eredményei. Vizsgálat típusa: Bővített talajvizsgálat (H2) P 2 O 5 K 2 O Na Mg NO 2- NO 3

STATISZTIKA. Mit nevezünk idősornak? Az idősorok elemzésének módszertana. Az idősorelemzés célja. Determinisztikus idősorelemzés

MŰHOLDAS VÁROSI HŐSZIGET VIZSGÁLAT

A VÁROSI HŐSZIGET VIZSGÁLATA MODIS ÉS ASTER MÉRÉSEK FELHASZNÁLÁSÁVAL

10. modul: FÜGGVÉNYEK, FÜGGVÉNYTULAJDONSÁGOK

Képrekonstrukció 3. előadás

A Beregszászi járás természeti erőforrásainak turisztikai szempontú kvantitatív értékelése

Koós Dorián 9.B INFORMATIKA

A Balaton vízforgalmának a klímaváltozás hatására becsült változása

DIGITÁLIS KÉPANALÍZIS KÉSZÍTETTE: KISS ALEXANDRA ELÉRHETŐSÉG:

Nem roncsoló tesztelés diszkrét tomográfiával

A évi országos kompetenciamérés iskolai eredményeinek elemzése

A napenergia magyarországi hasznosítását támogató új fejlesztések az Országos Meteorológiai Szolgálatnál

ONER-szervek felkészültségének országos értékelése

A TANTÁRGY ADATLAPJA

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Multimédia alapú fejlesztéseknél gyakran használt veszteséges képtömörítő eljárások pszichovizuális összehasonlítása

Matematika osztályozó vizsga témakörei 9. évfolyam II. félév:

Variancia-analízis (folytatás)

VALÓSZÍNŰSÉG, STATISZTIKA TANÍTÁSA

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

PANAC Megtakarítási Klub

I. A terepi munka térinformatikai előkészítése - Elérhető, ingyenes adatbázisok. Hol kell talaj-felvételezést végeznünk?

Georg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló


Kamerakalibráció és pozícióbecslés érzékenységi analízissel, sík mintázatokból. Dabóczi Tamás (BME MIT), Fazekas Zoltán (MTA SZTAKI)

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével

INFORMATIKA - VIZSGAKÖVETELMÉNYEK. - négy osztályos képzés. nyelvi és matematika speciális osztályok

Automatikus irányzás digitális képek. feldolgozásával TURÁK BENCE DR. ÉGETŐ CSABA

Az ipari komputer tomográfia vizsgálati lehetőségei

STATISZTIKA I. Centrális mutatók. Helyzeti középértékek. Középértékek. Bimodális eloszlás, U. Módusz, Mo. 4. Előadás.

ÖNÁLLÓ LABOR Mérésadatgyűjtő rendszer tervezése és implementációja

GEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE

ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 0. TANTÁRGY ISMERTETŐ

Mély neuronhálók alkalmazása és optimalizálása

TANMENET. a matematika tantárgy tanításához 10. E.osztályok számára

ÚJ LEHETŐSÉGEK A VIZUÁLIS INFORMÁCIÓSZERZÉS ÉS FELDOLGOZÁS MEZŐGAZDASÁGI ALKALMAZÁSÁRA

Anyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek

Levélfelületi index mérése és modellezése intenzív cseresznye ültetvényben. Készítette: Piblinger Brigitta Környezettan alapszakos hallgató

A klímamodellek eredményei mint a hatásvizsgálatok kiindulási adatai

PONTFELHŐ REGISZTRÁCIÓ

Atomi er mikroszkópia jegyz könyv

A nehézfémek növényi vízháztartásra gyakorolt hatásának vizsgálata Mágneses Rezonancia készülékkel. Készítette: Jakusch Pál Környezettudós

MIKOVINY SÁMUEL TÉRINFORMATIKAI EMLÉKVERSENY

Nemzeti Onkológiai Kutatás-Fejlesztési Konzorcium 1/48/ Részjelentés: November december 31.

Gépi tanulás a gyakorlatban. Bevezetés

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Pszichometria Szemináriumi dolgozat

Rostás Sándor szds. MH GEOSZ Műszaki és információs osztály térképész főtiszt (ov. h.)

Hipotézis vizsgálatok

LOKÁLIS IONOSZFÉRA MODELLEZÉS ÉS ALKALMAZÁSA A GNSS HELYMEGHATÁROZÁSBAN

3D számítógépes geometria és alakzatrekonstrukció

A JÓLÉTI ÁLLAM KÖZGAZDASÁGTANA

CSAPADÉK ÉS TALAJVÍZSZINT ÉRTÉKEK SPEKTRÁLIS ELEMZÉSE A MEZŐKERESZTES-I ADATOK ALAPJÁN*

Átírás:

Burgonya fajták azonosítása és minősítése digitális képanalízis felhasználásával Csák Máté - Hegedűs Géza- Dr. Polgár Zsolt Pannon Egyetem, Georgikon Kar, Keszthely mate.csak@georgikon.hu, hg@georgikon.hu, pog-zs@georgikon.hu

Tartalom Bevezetés Előzmények Spektrális Fraktál Dimenzió Mi is az SFD? Felmerülő problémák Felvételezés körülményei Fajták azonosítás és minősítés digitális képanalízis felhasználásával Anyag és módszer Eredmények Összefoglalás

Előzmények1: IKTA-00101/2003 A kutatási program célja Olyan minősítő rendszer kidolgozása, amely szubjektív ítéleteket nem vagy minimális mértékben tartalmaz (EMOR) Illeszkedik a csatlakozás utáni EU és hazai előírásokhoz A fajtaérték-meghatározást objektívebbé és pontosabbá teszi Automatikus felismerési folyamatok adatbázisának tervezése és felépítése Automatikus elemzési, minősítési folyamatok gyakorlati megvalósítása

Előzmény2: Cikk 1 Erdei Ferenc IVth Scientific Conference 2007. august 27-28 Kecskemét: SPEKTRÁLIS FRAKTÁLDIMENZIÓ- INVARIÁNS TRANSZFORMÁCIÓK ÉS ELTOLÓDÁSI SZABÁLYOK Hegedűs Géza

Előzmény3: Cikk 2 Csák M., Hegedűs G.: Az SFD mérésként való alkalmazhatósága a burgonyanemesítési kutatásokban, Acta Agraria Kaposváriensis (2008) Vol 12 No 2, 177-191

A felvételezés standard körülményei állandó intenzitást biztosító mesterséges fényforrás alkalmazása (körvakú) merőleges vetület biztosítása közepes - 2544*1696 pixel - felbontás alkalmazása azonos mintáról több felvétel készítése csillogás mentesség biztosítása (nyers hússzín esetén, friss vágott felület leitatása) a minta színétől nagyban eltérő homogén háttér biztosítása (kék, fekete, fehér) fix fókusztávolság alkalmazása

Minden képnek van fraktál dimenziós értéke (FD), amely spektrumokra is bontható(sfd)

Mi is az SFD? d k k i= 1 ln ln n i m i Spektrális Fraktál Dimenzió d: réteg (dimenzió=3) k: iteráció szám=8 n: nem üres térkockák száma m: összes térkocka

Katica gumóhéj képe RGB szintérben

Katica nyershús képe RGB szintérben

Katica főtthús képe RGB szintérben

Katica szürkülés képe RGB szintérben

Anyag és módszer Mintavételezés 4 vizsgálati időszak 13 burgonya fajta 4 féle tulajdonság 10 szeres ismétlés Összes mintaszám 2080 db Katica egész gumó héjszín nyers hússzín főtt hússzín szürkülés hússzín

Anyag és módszer (2) Képek készítése: Technika: CANON EOS 30D CANON 18-55 mm lencse SIGMA EM-140 DG körvakú Képek: 24 bites színes (RGB), raszteres, JPG 2544*1696 pixel, 72 ppi felbontás Katica egész gumó héjszín nyers hússzín főtt hússzín szürkülés hússzín

Elemezni kívánt fotók elkészítése 1. Fotózás: 1152x1728(72 ppi) 2. Burgonya kivágása: 295x295(300ppi) 3. A háttér kitisztítása 4. A háttér eltávolítása

Anyag és módszer (3) d k k i= 1 Képek analízise: lnni lnm Fejlesztői környezet MatLab (7.0.0.19920- R14) SFD algoritmus: i Dobozoló-eljárás - Relative Differential Box-Counting method (RDBC) Katica egész gumó héjszín nyers hússzín főtt hússzín szürkülés hússzín

SFD algoritmus Iteráció Élfelezés Számolás Függvényérték számítás ln ( talált _ darabi összes _ kockai) i rétegekszáma

Anyag és módszer (4) Statisztikai elemzések Klasszikus statisztikai mérőszámok: átlag, szórás, minimum, maximum, abszolút eltérés, relatív eltérés Hipotézis vizsgálatok: t-próba (Studentpróba) alkalmazása, Ch2-próba, F-próba Non-hierarchikus klaszter analízis: globális optimalizációs eljárás, hasonlósági arány (SIMILARITY RATIO) együttható alkalmazása, Az ábrázolás megkönnyítésére Eigenanalízis-Scatter-diagramot alkalmaztam.

Mérési eredmények Alaptáblázat Katica 200811 Összesítő táblázat 200811 időszakban t-próba: Tulajdonságonként (16 db): RGB, R, G, B Tulajdonságpáronként (24 db) Tulajdonság hármasok (16 db) Összes tulajdonság (4 db) Összesítő táblázatok

Eredmények (1) Fajtán belüli minősítés: 13 fajtából 12 esetben a minimum és maximum értékek relatív eltérései nagyságrenddel nagyobbak, mint a legkisebb szignifikáns értékhez tartozó relatív eltérés Ebből következően minősítésre matematikailag nincs lehetőség

Eredmények (2) Fajták SFD értéke Fajta neve TFV RE BFV RF&BF TFV RE&RF&SF BFV RF&BF&SF BFV RE&RF&SF TFV RE&RF&BF&SF Balatoni rózsa 4/6 2/3 5/6 2/3 5/6 3/3 Démon 5/6 2/3 5/6 2/3 4/6 2/3 Katica 2/4 1/1 2/3 1/1 2/3 1/1 Luca 5/6 3/3 3/6 1/3 3/6 3/3 White Lady 5/6 3/3 3/6 3/3 3/6 3/3 Cleopátra 3/3 1/1 2/3 1/1 3/3 1/1 Góliát 5/6 1/3 4/6 0/3 4/6 3/3 Kánkán 6/6 0/3 6/6 2/3 3/6 3/3 Rioja 5/6 2/3 2/6 0/3 2/6 2/3? Desiree 5/6 0/3 5/6 2/3 5/6 2/3 Hópehely 5/6 2/3 6/6 2/3 4/6 3/3 Lorett 3/6 2/3 6/6 2/3 3/6 3/3 Vénusz 5/6 2/3 6/6 2/3 3/6 3/3 Fajtán belül is van az egyes évek között szignifikáns eltérés

Eredmények (3) Fajták évenkénti vizsgálata 200711 200802 200811 200902 TFV 50,6% Kánkán=100% 74,4% Cleopátra=100% 58,4% Katica=100% 48,5% Vénusz=100% RFV 41,6% Kánkán=100% 56,4% Balatoni rózsa=100% 57,1% Katica=100% 13,6% GFV 41,6% Kánkán=100% 49,4% 42,9% 18,2 % BFV 51,9% Kánkán=100% Katica=100% 31,2% 57,1% Kánkán=100% 51,5 % TFVRE 59,0% 56,4% 43,6% 56,1% RFVRE 40,3% Balatoni rózsa=100% Lorett=100% 33,8% 29,5% 28,8% GFVRE 10,4% 11,7% 26,9% Whyte Lady=100% 16,7% BFVRE 57,1% 38,5% 20,5% 43,,9%

Eredmények (4) Klaszteranalízis 200711-i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,06948 0,03417 0,02202 0,03025 CLUSTER 1 Balatoni Balatoni Balatoni Balatoni Cleopátra CLUSTER 2 Desiree Cleopátra Cleopátra Cleopátra Desiree CLUSTER 3 Démon Desiree Desiree Démon CLUSTER 4 Góliát Démon Démon Góliát CLUSTER 5 Hópehely Góliát Góliát Hópehely Hópehely Hópehely CLUSTER 6 Katica VénuszGold LucaXL Katica CLUSTER 7 Kánkán Katica Katica Kánkán CLUSTER 8 Lorett Kánkán Kánkán Lorett CLUSTER 9 LucaXL Lorett Lorett LucaXL CLUSTER 10 Rioja LucaXL Rioja Rioja CLUSTER 11 VénuszGold Rioja VénuszGold VénuszGold CLUSTER 12 WhiteLady WhiteLady WhiteLady WhiteLady

Eredmények (5) Klaszteranalízis 200802-i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,0733 0,04411 0,01884 0,03872 Balatoni rózsa CLUSTER 1 Góliát Balatoni Balatoni Balatoni rózsa Góliát CLUSTER 2 Cleopátra Cleopátra Cleopátra Hópehely Cleopátra CLUSTER 3 Démon Démon Démon Démon CLUSTER 4 Desiree Desiree Desiree Desiree CLUSTER 5 Hópehely Góliát Góliát Hópehely CLUSTER 6 Kánkán Hópehely Kánkán Kánkán Kánkán CLUSTER 7 LucaXL LucaXL LucaXL LucaXL CLUSTER 8 Rioja Rioja Rioja Rioja CLUSTER 9 Lorett Lorett Lorett Lorett CLUSTER 10 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 11 WhiteLady WhiteLady WhiteLady WhiteLady CLUSTER 12

Eredmények (6) Klaszteranalízis 200811-i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,0001 0,00139 0,00029 0,00011 CLUSTER 1 CLUSTER 2 Balatoni rózsa Balatoni rózsa Balatoni rózsa Balatoni rózsa Góliát CLUSTER 3 Cleopátra Cleopátra Cleopátra Cleopátra Desiree Desiree CLUSTER 4 Démon Desiree Kánkán Desiree CLUSTER 5 Góliát Démon Démon Démon CLUSTER 6 Hópehely Góliát Góliát Hópehely CLUSTER 7 Kánkán Hópehely Hópehely Katica CLUSTER 8 Katica Katica Katica Kánkán CLUSTER 9 Lorett Kánkán Rioja Lorett Lorett CLUSTER 10 LucaXL Lorett LucaXL LucaXL CLUSTER 11 Rioja LucaXL Rioja Rioja CLUSTER 12 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 13 WhiteLady WhiteLady WhiteLady WhiteLady

Eredmények (7) Klaszteranalízis 200902-i időszak SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,03 0,03605 0,01025 0,01288 CLUSTER 1 CLUSTER 2 Balatoni rózsa Balatoni rózsa Balatoni Balatoni rózsa Démon CLUSTER 3 Démon Katica Démon Démon Katica Desiree CLUSTER 4 Desiree Desiree Desiree Góliát CLUSTER 5 Góliát Góliát Góliát Hópehely CLUSTER 6 Hópehely Hópehely Hópehely Kánkán CLUSTER 7 Kánkán Kánkán Kánkán Katica CLUSTER 8 Lorett Katica Lorett Lorett CLUSTER 9 LucaXL Lorett LucaXL LucaXL LucaXL CLUSTER 10 Rioja Rioja Rioja Rioja CLUSTER 11 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 12 WhiteLady WhiteLady WhiteLady WhiteLady

Összefoglalás Megállapítottuk, hogy az SFD csak akkor lehet alkalmas bármilyen objektum jellemzésére, ha a felvételezés és képértékelés feltételei rögzítettek. hogy az SFD érték nem alkalmas a fajtán belüli minősítésre. hogy az SFD érték alkalmas a burgonyafajták elkülönítésére. A burgonyafajták elkülönítését csak az azonos évi kontrol felvételezéshez viszonyítva lehet megvalósítani,

Köszönöm a figyelmüket! Csák Máté - Hegedűs Géza Dr. Polgár Zsolt Pannon Egyetem, Georgikon Kar, Keszthely mate.csak@georgikon.hu, hg@georgikon.hu, pog-zs@georgikon.hu