miun.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Evaluating Pre-Processing Pipelines for Thermal-Visual Smart Camera
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion.
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion. HIAB AB. (STC)ORCID-id: 0000-0003-1923-3843
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion.ORCID-id: 0000-0002-3429-273X
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion. (STC)
2017 (Engelska)Ingår i: Proceedings of the 11th International Conference on Distributed Smart Cameras, ACM Digital Library, 2017, Vol. F132201, s. 95-100Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Smart camera systems integrating multi-model image sensors provide better spectral sensitivity and hence better pass-fail decisions. In a given vision system, pre-processing tasks have a ripple effect on output data and pass-fail decision of high level tasks such as feature extraction, classification and recognition. In this work, we investigated four pre-processing pipelines and evaluated the effect on classification accuracy and output transmission data. The pre-processing pipelines processed four types of images, thermal grayscale, thermal binary, visual and visual binary. The results show that the pre-processing pipeline, which transmits visual compressed Region of Interest (ROI) images, offers 13 to 64 percent better classification accuracy as compared to thermal grayscale, thermal binary and visual binary. The results show that visual raw and visual compressed ROI with suitable quantization matrix offers similar classification accuracy but visual compressed ROI offers up to 99 percent reduced communication data as compared to visual ROI.

Ort, förlag, år, upplaga, sidor
ACM Digital Library, 2017. Vol. F132201, s. 95-100
Nyckelord [en]
Thermal imaging, FPGA, intelligence partitioning
Nationell ämneskategori
Inbäddad systemteknik
Identifikatorer
URN: urn:nbn:se:miun:diva-32437DOI: 10.1145/3131885.3131908Scopus ID: 2-s2.0-85038877488ISBN: 978-1-4503-5487-5 (tryckt)OAI: oai:DiVA.org:miun-32437DiVA, id: diva2:1165559
Konferens
11th International Conference on Distributed Smart Cameras, Stanford University, Stanford; United States; 5 September 2017 through 7 September 2017
Projekt
SMART (Smarta system och tjänster för ett effektivt och innovativt samhälle)
Forskningsfinansiär
KK-stiftelsenTillgänglig från: 2017-12-13 Skapad: 2017-12-13 Senast uppdaterad: 2019-09-09Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Shallari, IridaImran, MuhammadLawal, NajeemO'Nils, Mattias

Sök vidare i DiVA

Av författaren/redaktören
Shallari, IridaImran, MuhammadLawal, NajeemO'Nils, Mattias
Av organisationen
Avdelningen för elektronikkonstruktion
Inbäddad systemteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
isbn
urn-nbn

Altmetricpoäng

doi
isbn
urn-nbn
Totalt: 354 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf