103

` Rajah 5.1 , Jadual 5.1 Rajah 5.2, Jadual 5.2 Rajah 5.3 Jadual 5.3 Rajah 5.4 Jadual 5.4 Rajah 5.5 Jadual 5.5 Rajah 5.6 Jadual 5.6 Rajah 5.7 Jadual 5.7 Rajah 5.8 Jadual 5.8 Rajah 5.9 Jadual 5.9 Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13 Rajah 5.14 Rajah 5.15 Rajah 5.16 Rajah 5.17 Rajah 5.18 Rajah 5.19, Rajah 5.20, Rajah 5.21
5.5.3

Rajah 5.22, Rajah 5.23, Rajah 5.24

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.

5.5.3.1 Persamaan Linear

Jadual 5.10
Persam aan Lelurus Latih Botol Botol PET PET U ji Ujian 90 92.3 91..2 89 92.3 90.7 93 [Set2,Set3,Set4,Set5] [Set1,Set3,Set4,Set5] PET PET [Set1,Set2,Set4,Set5] 95.4 94.2 BUKAN PET BU KANPET BUKA NPurata Botol Botol Purata Botol Botol Set 1 Set 2 Set 3 Set 4 Purata Botol Botol PET BUKANPET -0.08x1+-0.05x2+0.05=0 -0.02x1+-29.53x2+6.00=0 -0.05x1+-0.06x2=0.08=0

Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej pangkasan terpilih
-1.93x1+-1.12x2+6.00=0 -0.03x1+ -0.01x2+0.09=0 Set 5 Purata Botol Botol PET [Set1,Set2,Set3,Set5] 89 90.2 89.6 BUKAN PET [Set1,Set2,Set3,Set4] 90 95.2 92.6 Purata

104

105

b)

Rangkaian Neural

Pengelas rangkaian neural yang dibina untuk menguji set sifat warna silau mengandungi dua lapisan tersembunyi dengan lima neuron untuk lapisan pertama diikuti dengan tiga neuron untuk lapisan kedua menjadikan konfigurasi rangkaian [5,3,1] dengan fungsi pengaktifan tansig, tansig, purelin. 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.

i.

Algoritma imej kotak sempadan

Rajah 5.25 menunjukkan contoh set 3 yang memperolehi capaian antara input dan sasaran yang baik semasa latihan bagi rangkaian neural. Keputusan keseluruhan pengujian yang dilakukan terhadap 5 set imej ditunjukkan dalam Jadual 5.11.
1 0.9 0.8 0.7 0.6

Sasaran

0.5 0.4 0.3 0.2 0.1 0

1.5

2.5

3.5

4.5

Input

Rajah 5.25

Plot rangkaian neural input dan sasaran untuk latihan dari set 3

ii.

Algoritma imej pangkasan terpilih

Rajah 5.26 ditunjukkan contoh set 3 yang memperolehi capaian antara input dan sasaran yang baik semasa latihan bagi rangkaian neural. Keputusan keseluruhan pengujian yang dilakukan terhadap 5 set imej ditunjukkan dalam Jadual 5.12.

106
1 0.9 0.8 0.7 0.6

Sasaran

0.5 0.4 0.3 0.2 0.1 0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

Input

Rajah 5.26

Plot rangkaian neural input dan sasaran untuk latihan dari set 3

5.5.4 Perbincangan Pengelasan Analisa Warna Tekstur Silau Peratusan keputusan pengelasan kedua-dua algoritma ini adalah baik dengan melebihi 80% untuk setiap ujian yang dilakukan ke atas semua sampel imej botol. Botol BUKAN PET pula menunjukkan kelebihan peratus berbanding botol PET. Ini disebabkan oleh imej botol PET adalah lutcahaya dan warna latarbelakang mempengaruhi ciri tekstur intensiti yang diekstrak daripadanya. Botol BUKAN PET adalah legap sepenuhnya dan keputusan yang terhasil tidak dipengaruhi hingar latar belakang imej. Peratusan keputusan algorima imej pangkasan terpilih lebih tinggi berbanding algoritma imej kotak sempadan adalah disebabkan faktor-faktor berikut: a) Kotak sempadan mengekstrak ciri pada keseluruhan imej botol. Kewujudan label dan penutup botol merupakan hingar yang boleh memberi kesan terhadap keputusan pengelasan. b) Algoritma imej pangkasan terpilih merupakan algoritma yang memilih kawasan yang benar-benar mempunyai nilai berbeza antara dua jenis plastik tersebut secara automatik. Ini dilakukan dengan pembahagian lima kawasan serta

memangkas kawasan berbeza serta terhindar daripada hingar.

Jadual 5.11

Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej kotak sempadan

L a tih B o to lP E T B U K A N P E T [S e t2 ,S e t3 ,S e t4 ,S e t5 ] 8 8 .7 9 5 .8 9 2 .3 8 2 .1 9 3 .4 8 7 .8 8 8 .5 9 5 .8 9 2 .2 8 2 .1 [S e t1 ,S e t3 ,S e t4 ,S e t5 ] [S e t1 ,S e t2 ,S e t4 ,S e t5 ] P E T P E T P E T [S e t1 ,S e t2 ,S e t3 ,S e t5 ] 9 2 8 7 .1 B U K A N P E T B U K A N P E T B U K A N B o to l P u ra ta B o to lP E T B o to l P u ra ta B o to l B o to l P u ra ta B o to l B o to l P u ra ta

S e t1

S e t2

S e t3

S e t4 B o to l P E T

S e t5 B o to l B U K A N P E T [S e t1 ,S e t2 ,S e t3 ,S e t4 ] 8 6 9 2 .1 8 9 .1 P u ra ta

U ji

U jia n

Jadual 5.12
S e t1 B o to l P E T P E T [S e t2 ,S e t3 ,S e t4 ,S e t5 ] 8 9 .3 9 0 8 9 .7 9 2 .6 9 5 .8 9 4 .2 [S e t1 ,S e t3 ,S e t4 ,S e t5 ] P E T B U K A N P E T B U K A N P E T B o to l P u ra ta B o to l B o to l P u ra ta B o to l B o to l B U K A N P E T [S e t1 ,S e t2 ,S e t4 ,S e t5 ] 9 5 .2 9 6 .4 9 5 .8 S e t2 S e t3 P u ra ta

Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej pangkasan terpilih
S e t4 B o to l P E T B o to l B U K A N P E T [S e t1 ,S e t2 ,S e t3 ,S e t5 ] 9 2 .3 9 4 .4 9 3 .4 9 4 P u ra ta B o to l P E T S e t5 B o to l B U K A N P E T [S e t1 ,S e t2 ,S e t3 ,S e t4 ] 9 2 9 3 P u ra ta

L a tih

U ji

U jia n

107

108

5.5.5 Keputusan Perlakuran Sifat Berpandukan mata kasar penentuan botol PET dan BUKAN_PET boleh dilakukan berdasarkan warna tekstur PET yang silau berbanding botol BUKAN-PET yang legap. Pengecaman botol plastik berdasarkan warna adalah lebih dominan berbanding pengecaman berdasarkan bentuk. Kajian ini telah membuat justifikasi bahawa pengecaman botol plastik lebih mudah dicam berdasarkan warna tekstur berbanding bentuk. Oleh itu sebagai pengesahan pengelasan kelas botol plastik ini, perlakuran sifat dilakukan. Berdasarkan Jadual 5.13, sifat dari kedua-dua algoritma tersebut dilakurkan dan dijadikan input ke pengelas pendiskriminan lelurus dan rangkaian neural tiruan. Keputusan perlakuran sifat antara sifat dari sarian sifat hakisan separa dan sarian sifat analisa tekstur silau menunjukkan keputusan yang lebih baik dan jitu dalam penentuan jenis botol plastik PET dan BUKAN-PET. Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat Algoritma Analisa Warna Tekstur Silau PET BUKAN-PET 0.27 0.02 0.17 0.00 0.18 0.00 0.45 0.00 0.28 0.02 0.18 0.00 0.26 0.02 0.37 0.03 0.19 0.00 0.20 0.00 0.03 0.03 0.20 0.00 0.13 0.05 0.58 0.05 0.56 0.03

Algoritma Hakisan Separa PET BUKAN-PET 0.16 1.07 0.13 1.09 0.13 1.09 0.15 0.69 0.09 0.84 0.12 0.69 0.12 0.90 0.17 0.68 0.24 0.66 0.09 0.86 0.24 0.68 0.07 0.85 0.17 1.10 0.04 0.79 0.28 0.87

109

Vektor sifat yang diperolehi daripada algoritma hakisan separa iaitu nilai maksimum dan vektor sifat yang diperolehi daripada algoritma imej pangkasan terpilih iaitu nilai purata digunakan untuk sebagai masukan kepada alat pengelas menggunakan pendiskriminan lelurus. Rajah 5.2 5.27 dan Rajah 5.28 menunjukkan kan vektor tertabur bagi set sifat dari kedua-dua dua algo algoritma yang di plotkan lawan bilangan imej.

Rajah 5.27

Plot tertabur vektor sifat maksimum dari algoritma hakisan separa

1 0.9 0.8 0.7 0.6 Nilai purata 0.5 0.4 0.3 0.2 0.1 0 0 50 100 Bilangan imej 150

Botol PET Botol BUKAN-PET PET

200

250

Rajah 5.28

Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih

110
1 0.9 0.8 0.7
Nilai Purata

Botol PET Botol BUKAN-PET Fungsi Pembeza Lelurus

0.6 0.5 0.4 0.3 0.2 0.1 0

0.2

0.4

0.6 0.8 1 Nilai Maksimum

1.2

1.4

1.6

Rajah 5.29

Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata

Kedua-dua sifat ini digunakan dan dilakurkan untuk mendapatkan persamaan pengelas. Contoh taburan vektor sifat bagi 400 imej dari kedua-dua kelas botol ditunjukkan dalam Rajah 5.29. Keputusan pengelasan pendiskriminan lelurus menunjukkan peratus pengecaman untuk semua lima set antara 98% ke 100%. Keputusan ini menunjukkan penentuan jenis botol PET dan BUKAN-PET dapat ditentukan dengan lebih baik dan jitu sekiranya perlakuran sifat di antara dua algoritma dilakukan. Keputusan perlakuran sifat menggunakan pengelasan

pendiskriminan lelurus boleh dirujuk di Jadual 5.14. Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus
Persamaan Lelurus Set 1: 0.032x1+-0.03x2+0.01=0 Set 2: 0.01x1+-0.01x2+0.01=0 Set 3: 0.01x1+-0.04x2+0.01=0 Set 4: 0.01x1+-0.03x2+0.01=0 Set 5: 0.06x1+-0.02x2+0.01=0 Botol PET Botol BUKAN-PET

100% 98.50% 100% 99% 100

98% 99% 99% 98% 98.50%

111

Vektor sifat yang sama dari kedua-dua algoritma hakisan separa dan imej pangkasan terpilih akan dilakurkan dan diuji kejituan pengelasan antara dua kelas botol PET dan BUKAN-PET menerusi pengelas rangkaian neural. Keputusan perlakuran sifat itu ditunjukkan dalam Jadual 5.15. Jadual 5.15 Set 1 2 3 4 5 Keputusan perlakuran sifat menggunakan rangkaian neural Botol PET 99.7 95 99.9 96.6 99.7 Botol BUKAN-PET 99.3 100 99.9 97.2 98.2 Purata 99.5 97.5 100 96.9 98.9

5.6

PERBANDINGAN KEPUTUSAN ANTARA PENGELAS

Jadual 5.16 adalah jadual perbandingan keputusan pengelasan antara alat pengelas yang diguna iaitu pengelas pendiskriminan lelurus dan rangkaian neural serta keputusan perlakuran sifat yang dilakukan. Kesemua algoritma memberikan peratus pengelasan melebihi 90%. Daripada keputusan kedua-dua pengujian alat pengelasan, algoritma hakisan separa kelihatan memberikan peratus pengelasan tepat yang lebih baik berbanding algoritma imej pangkasan terpilih. Algoritma hakisan separa menyumbang 98.8% keputusan pengelasan tepat dengan menggunakan pengelas pendiskriminan lelurus manakala algoritma imej pangkasan terpilih menyumbang 94.2%. Bagi pengelas rangkaian neural pula keputusan algoritma hakisan separa adalah 99.1% manakala algoritma imej pangkasan terpilih menyumbang 95.8%. Teknik perlakuran sifat dilaksanakan pada kedua-dua alat pengelas. Keputusan yang terhasil memberikan prestasi pengecaman yang lebih baik dengan perlakuran sifat untuk alat pengelas pendiskriminan lelurus adalah sebanyak 99.5% manakala alat pengelas rangkaian neural memberikan keputusan 100% pengelasan tepat. Ini bererti bagi setiap 500 imej botol PET dan BUKAN-PET, tiada salah pengelasan berlaku dengan menggunakan perlakuran sifat pada alat alat pengelasan rangkaian neural.

Jadual 5.16

Jadual perbandingan ketepatan pengelasan antara pengelas diskriminan dan pengelas rangkaian neural

Perlakuran Fitur Pengelas Pengelas Pendiskriminan Lelurus AHS Botol BUKAN- Purata PET 97.5 98.8 93 95.4 99.9 98.4 95.2 94.2 99.1 PET PET PET PET 96.4 95.8 PET PET Botol BUKAN- Purata BUKAN- Purata Botol Botol Botol Botol Botol BUKAN- Purata AIPT AHS AIPT Botol PET 100 Botol BUKAN- Purata PET 99 99.5 Botol PET 99.9 Botol BUKAN- Purata PET 99.9 100 Pengelas Rangkaian Neural Pendiskriminan Lelurus Pengelas Rangkaian Neural

Botol

PET

100

AHS : Algoritma hakisan separa

AIPT : Algoritma imej pangkasan terpilih

112

113

5.7

RUMUSAN KESELURUHAN PENGELASAN IMEJ BOTOL

Secara keseluruhannya, keputusan pengelasan imej botol menunjukkan semua sifat yang disari dari ketiga-tiga algoritma yang dibangunkan boleh membezakan jenis botol sama ada PET atau BUKAN-PET. Pengesahan dilakukan dengan melaksana modul pengesahan dan pengujian menggunakan kaedah rangkaian neural dan persamaan lelurus. Seterusnya vektor sifat dari algoritma hakisan separa dan algoritma imej pangkasan kawasan terpilih dilakurkan dan peratus pengecaman dikira menerusi kaedah pengelasan persamaan lelurus dan rangkaian neural. Keputusan perlakuran sifat yang diperolehi juga menunjukkan peningkatan iaitu dengan peratus pengecaman antara 99.5% ke 100%. Tujuan melakukan perlakuran sifat adalah supaya dapat meningkatkan ketepatan pengecaman.

114

Contents
5.5.4 Perbincangan Pengelasan Analisa Warna Tekstur Silau ...............................................106 5.5.5 Keputusan Perlakuran Sifat............................................................................................108 5.6 Perbandingan Keputusan Antara Pengelas...............................................................................111 5.7 Rumusan Keseluruhan Pengelasan Imej Botol.........................................................................113

Rajah 5.1 , Jadual 5.1 103 Rajah 5.2, Jadual 5.2 103 Rajah 5.3 Jadual 5.3 103 Rajah 5.4 Jadual 5.4 103 Rajah 5.5 Jadual 5.5 103 Rajah 5.6 Jadual 5.6 103 Rajah 5.7 Jadual 5.7 103 Rajah 5.8 Jadual 5.8 103 Rajah 5.9 Jadual 5.9 103 Rajah 5.10 Rajah 5.11 Rajah 5.12 Rajah 5.13 103 Rajah 5.14 103 Rajah 5.15 103 Rajah 5.16 103 Rajah 5.17 103 Rajah 5.18 103 Rajah 5.19, Rajah 5.20, Rajah 5.21 Rajah 5.22, Rajah 5.23, Rajah 5.24 103 Rajah 5.25 Plot rangkaian neural input dan sasaran untuk latihan dari set 3 105 Rajah 5.26 Plot rangkaian neural input dan sasaran untuk latihan dari set 3 106 Rajah 5.27 Plot tertabur vektor sifat maksimum dari algoritma hakisan separa 109 Rajah 5.28 Plot tertabur vektor sifat purata dari algoritma imej pangkasan terpilih 109 Rajah 5.29 Plot tertabur vektor sifat pelakuran antara nilai maksimum dan nilai purata 110

115

Rajah 5.1 , Jadual 5.1 103 Rajah 5.2, Jadual 5.2 103 Rajah 5.3 Jadual 5.3 103 Rajah 5.4 Jadual 5.4 103 Rajah 5.5 Jadual 5.5 103 Rajah 5.6 Jadual 5.6 103 Rajah 5.7 Jadual 5.7 103 Rajah 5.8 Jadual 5.8 103 Rajah 5.9 Jadual 5.9 103 Jadual 5.10 Keputusan pengelasan bentuk botol untuk pendiskriminan lelurus bagi algoritma imej pangkasan terpilih 104 Jadual 5.11 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej kotak sempadan 107 Jadual 5.12 Keputusan pengelasan bentuk botol untuk rangkaian neural bagi algoritma imej pangkasan terpilih 107 Jadual 5.13 Set sampel sifat dari dua algoritma sarian sifat 108 Jadual 5.14 Keputusan perlakuran sifat menggunakan pendiskriminan lelurus 110 Jadual 5.15 Keputusan perlakuran sifat menggunakan rangkaian neural 111 Jadual 5.16 Jadual perbandingan ketepatan pengelasan antara pengelas diskriminan dan pengelas rangkaian neural 112