Machine vision based situation classification in micromanipulation

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Sariola, Veikko
dc.contributor.author Venäläinen, Janne
dc.date.accessioned 2016-03-29T11:24:04Z
dc.date.available 2016-03-29T11:24:04Z
dc.date.issued 2016-02-15
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/19916
dc.description.abstract Micromanipulation is the manipulation of small objects, usually with all physical dimensions less than 1 mm. Because of the small size and weight, different forces dominate in the microworld than in the macroworld. This phenomenon, called scaling effect, creates problems during micromanipulation. For example, the objects might adhere to the end-effector of the manipulator. To enable a micromanipulator to be autonomous, it is required to recognize these types of problematic situations. In this work, machine vision based classification is assessed for the situation identification task. Image processing methods are developed to detect the objects of interest and their accuracies are evaluated. Then, five of the most common supervised machine learning classification algorithms are thoroughly assessed for the classification task. The classifiers are trained with data that consists of 44 videos with a total of 5601 frames of real manipulation scene. The best machine learning classifiers classified the situations with almost 94 % precision. The accuracy is much higher than those that are obtained with hand-written classification logics (as low as 81 % accuracy). The hand-written classifiers are developed during this work for comparison. In addition, the results of the work suggests that the errors for the machine learning classifiers will decrease further if new instances of data is introduced to the training. Therefore, the machine vision and learning based situation classification is an adequate method to identify (problematic) situations during micromanipulation. en
dc.description.abstract Mikromanipulaatio on hyvin pienten objektien manipulointia. Yleensä objektit ovat kaikista suunnista mitattuina alle 1 mm pituisia. Näin pieniin kappaleisiin kohdistuu eri hallitsevat voimat kuin makro-kokoisiin kappaleisiin. Tätä ilmiötä kutsutaan skaalaus-efektiksi, ja se aiheuttaa ongelmia mikromanipulaatiossa. Liikuteltava kappale voi esimerkiksi tarrautua manipulaattorin kouran kärkeen. Jotta mikromanipulaattori voisi olla täysin automaattinen, pitää sen tunnistaa vastaavanlaisia tilanteita. Työssä tutkitaan konenäön soveltuvuutta tilanteiden luokittelussa. Työssä kehitetään kuvankäsittelyalgoritmeja kappaleiden tunnistamiseen, ja niiden tarkkuus mitataan. Kappaleiden liikeratatietoa käytetään viiden yleisimmän valvotun koneoppimis-luokittelijan opettamiseen. Luokittelualgoritmien soveltuvuus kyseessä olevaan dataan arvioidaan perusteellisesti, ja paras algoritmi valitaan. Luokittelijat opetetaan datalla, joka koostuu 44 videosta. Videoissa on yhteensä 5601 kuvaruutua. Parhaat luokittelijat luokittelevat tilanteita jopa 94 % tarkkuudella. Koneoppijat saavuttavat huomattavasti suuremman luokittelutarkkuuden kuin vertailukohteena toimivat käsin tehdyt luokittelulogiikat (jopa vain 81 % tarkkuus). Lisäksi työssä havaitaan, että koneoppimis-luokittelijoiden tarkkuus parantuisi, jos niiden opetukseen käytettäisiin lisää dataa. Voidaankin siis sanoa, että konenäkö ja koneoppiminen ovat sopivia metodeja mikromanipulaation (ongelma)tilanteiden luokitteluun. fi
dc.format.extent 67 + 7
dc.language.iso en en
dc.title Machine vision based situation classification in micromanipulation en
dc.title Tilanteiden luokittelu mikromanipulaatiossa konenäön avulla fi
dc.type G2 Pro gradu, diplomityö en
dc.contributor.school Sähkötekniikan korkeakoulu fi
dc.subject.keyword machine vision en
dc.subject.keyword machine learning en
dc.subject.keyword micromanipulation en
dc.subject.keyword situation classification en
dc.identifier.urn URN:NBN:fi:aalto-201603291539
dc.programme.major Älykkäät tuotteet fi
dc.programme.mcode ETA3006 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Zhou, Quan
dc.programme AUT - Automaatio- ja systeemitekniikka (TS2005) fi
dc.location P1 fi


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account