This thesis is about face detection and recognition from video. Main emphasis is on computational speed, so it can be used for a real-time processing. Begining of this work focus on different approaches for detection and object recognition. Afterwards is explained the main principle of methods used for the final application. Next part is about design and implementation of this methods and conclusion is about the testing results of designed application.

No description available.

Product development has both innovative and analytic sides. Starting from the requirements, a design suggestion is generated. In order to assess how well the envisioned design fulfils the requirements, it is sometimes necessary to build a computer model of it for the analysis. The overall motivation of the work presented is to reduce the time spent on creating the model by reusing knowledge gained from developing similar products by suggesting, building and evaluating IT-systems. To verify the systems real design examples, obtained from companies that have participated in the research projects have been used. The work is based on two major application examples. The first, involving the automated geometrical idealisation of die-cast parts (Paper I-III), and the second involving manufacturability of powder metallurgy pressed and sintered parts (Paper IV-VI). The work starts from the point in the product development process where it exists a design suggestion represented as an arbitrary format CAD-model. In the powder metallurgy case the object is to secure that the geometry is suitable for the production process. In the die-casting case the object is to automatically create an idealised version of the model for shell elements meshing. These two tasks have previously been treated as two separate cases, addressed by completely different software. This thesis suggests a common method for addressing the two cases. The method is based on converting the CAD-models, using the geometrical restrictions of the production processes, into a format with a specialised feature structure, parameterisation and construction history using a feature recognition approach. The features are then automatically reconstructed in a target CAD-system. The resulting, specialised CAD-model can be used for automated design and design evaluation purposes, demonstrated in the thesis. The models are therefore called DAR (Design Automation Ready)-models. The DAR-models are useful in that they separate the conversion from the subsequent treatment of the models providing modularisation, flexibility and user insight in the model structure. In that a construction history and parameterisation have be constructed in the target CAD-system, the advanced geometry manipulation and means for knowledge management often provided in modern CAD-systems can be accessed in a transparent and user manageable way. This extends the usefulness of the CAD-systems from involving only interactive work to managing all components sharing the same production process. / Teknologie Doktorsexamen

1. Zielstellung der Arbeit war die Entwicklung von Musterkennungsmethoden zur automatischen Klassifizierung von Gasen. Um dieses Ziel zu erreichen, wurde die Reduktionsmethode Parameterabschätzung mittels Adaptive-Simulated-Annealing (ASA-PE) und eine Committee machine (CM) zur Klassifikation entwickelt. 2. Mittels PEDOT:PSS-Sensoren wurden mit Hilfe der Impedanzspektroskopie NH3 und NO2 in unterschiedlichen Konzentrationen gemessen. Die aufgenommenen Messdaten wurden durch die ASA-PE, die Komplexe Haupt-komponentenanalyse (CPCA) und die Discriminant analyses via Support Vector (SVDA) reduziert. 3. Der Vergleich der Merkmalsextraktionsmethoden zeigt: Die in dieser Arbeit neu entwickelte Methode ASA-PE liefert im Vergleich dazu ein sicheres Segmentierungs-Ergebnis. 4. Der Vergleich zwischen ASA-PE und ZView zeigt, dass die ASA-PE eine sichere Methode für die automatisierte Gasanalyse ist. Aber bei zweidimensionalen Merkmalen gibt es einen Bereich, in dem sich eine gemeinsame Häufung einstellt, welche zu einer Irritation in der Auswertung von CPCA und SVDA führen kann. Dieses Problem kann durch eine Erhöhung der Anzahl von Merkmalen gelöst werden. 5. Es wurden sechs die Klassifikationsmethoden: Abstandsgewichtete k-Nächste-Nachbarn-Klassifikation (DW-kNN), das mehrlagige Perzeptron (MLP), Support Vector Machine (SVM), CM, CM ohne MLP und CM mit Abstandskontrolle und AAi-Filter untersucht und miteinander verglichen. Um die Klassifikationsmethoden anzulernen wurden alle Merkmalsreduktions-ergebnisse der CPCA, SVDA und der ASA-PE in Trainings- und Testdaten eingeteilt. 6. Die Ergebnisse zeigen, dass die Kombination aus One-Against-All-SVM (OAA-SVM) und ASA-PE die besten Erkennungsraten liefert. Bei 200 Trainingsdatensätzen wird eine Erkennungsrate von bis zu 99.5% erzielt. Durch diese Kombination können jedoch nur 8 Typen ohne Identifikation von unbekannten Typen ermittelt werden. 7. Wenn das MLP aus CM entfernt wird, werden die Resultate von CM leicht verbessert. Mit Hilfe von 6-Sigma zeigt CM ohne MLP eine gute Erkennungsrate für unbekannte Gase und gleichzeitig bleibt die Erkennungsrate auf einem befriedigenden Niveau. 8. Die Streuung der ASA-PE führt zu einer schlechten Abgrenzung zwischen bekannten und unbekannten Gasen. Stattdessen zeigt die Kombination von CM ohne MLP und CPCA in diesem Fall eine gute Abgrenzung.:Abstract II Danksagung III Inhaltsverzeichnis IV Abkürzungen VII 1 Einführung 1.1 Einleitung 1.2 Entwicklungen bei Gassensoren 1.2.1 Fortschritte bei Material und Messmethode 1.2.2 Fortschritte bei Mustererkennungsmethoden 1.3 Motivation 1.4 Struktur der Arbeit 2 Verfahren zur Gasanalyse 2.1 Messverfahren 2.1.1 Impedanzspektroskopie als Detektionsmethode 2.1.1.1 Definition der Impedanz 2.1.1.2 Bauelemente des elektrischen Modells 2.1.2 Optische Verfahren 2.1.3 Elektrochemische Verfahren 2.2 Merkmalerkennung 2.2.1 Merkmalsreduktion 2.2.1.1 Komplexe Hauptkomponentenanalyse (Engl. Complex Principal Component Analysis) 2.2.1.2 Kernel-Diskriminanzanalyse mittels Support Vektoren (engl. kernel Discriminant Analysis via Support Vector) 2.2.2 Klassifikationsverfahren 2.2.2.1 Abstands-gewichtete k-Nächste-Nachbarn-Klassifikation (engl. Distance weighted k-Nearest-Neighbor-Algorithms, DW-kNN) 2.2.2.2 Mehrlagiges Perzeptron (MLP) 2.2.2.3 Support Vektor Maschine (SVM) 3 Eigene Mustererkennungsverfahren 3.1 Parameterschätzung mittels Adaptive-Simulated-Annealing (ASA-PE) 3.1.1 Allgemeines Impedanzspektroskopiemodell eines Gassensors 3.1.2 Parameterschätzung 3.1.3 Die Optimierungsverfahren 3.2 Committee machine 4 Anwendungsbeispiel 4.1 Experiment mit einem Gassensor aus PEDOT:PSS 4.1.1 Sensoraufbau und vereinfachtes Sensormodell 4.2 Experimentelle Ergebnisse 4.2.1 Messaufbau und Versuchsdurchführung 4.2.2 Vorbereitung zur Messung 4.2.3 Durchführung der Messung 4.2.4 Fehlerbetrachtung 4.2.5 Messergebnisse des Gassensors 4.3 Ergebnisse der Merkmalreduktion 4.3.1 CPCA und SVDA 4.3.2 Parameterschätzung mittels Adaptive-Simulated-Annealing (ASA-PE) 4.4 Ergebnisse der Klassifikationen 4.4.1 Ergebnisse der Gasbestimmung mittels Trainingssatz und Testsatz 4.4.1.1 DW-kNN 4.4.1.2 MLP 4.4.1.3 OAO-SVM 4.4.1.4 OAA-SVM 4.4.1.5 Committee machine 4.4.1.6 CM ohne MLP 4.4.1.7 CM mit AAi-Filter 4.4.2 Abhängigkeit der Klassifikationsergebnisse von der Anzahl der Trainingsdaten 5 Zusammenfassung und Ausblick 5.1 Zusammenfassung 5.2 Ausblick Abbildungsverzeichnis Formelverzeichnis Literaturverzeichnis

Una de las primeras etapas en la Planificación de Procesos asistida por ordenador, para procesos de mecanizado por arranque de material, consiste en identificar las zonas de material a eliminar en el bruto de partida para generar la pieza. El resultado es un conjunto de entidades llamadas: Elementos Característicos de Mecanizado, que tienen una clara relación con las operaciones de mecanizado. Al procedimiento de obtención automática de estas entidades se le denomina: reconocimiento automático de Elementos Característicos de Mecanizado (AFR, Automatic Feature Recognition), en el que partiendo del modelo 3D del bruto y de la pieza se establecen las entidades de trabajo adecuadas (Elementos Característicos de Mecanizado). Estas entidades contienen la información necesaria para poder llevar a cabo una Planificación de Procesos automática. A su vez, la información se va completando y ampliando a medida que se avanza en las etapas de la Planificación. En la Tesis se plantea el reconocimiento automático de Elementos Característicos de Mecanizado como una de las primeras etapas de la Planificación de Procesos, y que permite el enlace con el diseño asistido por ordenador. Este reconocimiento debe tener un planteamiento dinámico, ofreciendo distintas opciones. Su solución no debe ser una entrada estática, prefijada, para el resto de etapas de la Planificación. El proceso de reconocimiento está fuertemente influenciado por conceptos y decisiones de índole tecnológico (tipos de herramientas, movimientos característicos de los procesos, influencia del corte vinculado, ), que lo guían y que permiten obtener resultados válidos en la aplicación destino: el mecanizado. Atendiendo a este planteamiento, la Tesis ofrece una solución general y completa al proceso de reconocimiento automático de Elementos Característicos de Mecanizado, teniendo en cuenta a los llamados procesos convencionales (torneado, fresado, limado, rectificado, etc.). La solución propuesta no se restringe a piezas / Gutiérrez Rubert, SC. (2007). Análisis y procesado tecnológico del modelo sólido de una pieza para determinar sus elementos característicos de mecanizado [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/1963