Detta examensarbete gjordes i samarbete med Husfoto AB där syftet var att undersöka potentialen i att använda maskininlärniningsalgoritmer för att utföra automatiska klassificeringar mellan godkända och icke-godkända bilder enligt en subjektivt framställd kvalitetsstandard. Både metoder som använder maskininlärning, samt mer traditionella bildanalysmetoder användes, testades och jämfördes inom kvalitetsmåtten precision, känslighet, träffsäkerhet och balanserad träffsäkerhet. Maskininlärningsmetoder som användes var en linjär och en icke-linjär variant av Support Vector Machine (SVM), samt XGboost. De manuella metoderna var en variant av White Patch, samt två egna metoder framtagna för projektet. Bildfelen som undersöktes var vitbalans och färgen på himmel för exteriörbilder, och datan samlades in och annoterades parallellt med arbetet. Trots att mängden data var begränsad så erhölls bättre resultat än förväntat, vilket ger en indikation på att maskininlärning kan användas för klassificeringar med subjektiva bedömningar som referensmått med gott resultat. Resultaten visar att kvalitetsmåtten för flera metoder presterar relativt likvärdigt i många fall med vissa avvikande skillnader. Genom att använda den subjektiva bedömningen av Husfoto för att skapa ett objektivt mått med metoderna som används så visar resultatet att metoderna för vissa fel kommer upp i över 80% träffsäkerhet. / <p>Examensarbetet är utfört vid Institutionen för teknik och naturvetenskap (ITN) vid Tekniska högskolan, Linköpings universitet</p>
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-174845 |
| Date | January 2021 |
| Creators | Grönborg, Felix, Ortega, Otto |
| Publisher | Linköpings universitet, Medie- och Informationsteknik, Linköpings universitet, Tekniska högskolan, Linköpings universitet, Medie- och Informationsteknik, Linköpings universitet, Tekniska högskolan |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds