Konenäkömenetelmät ja -sovellukset (4 op)
Toteutuksen tunnus: A800CH65-3004
Toteutuksen perustiedot
Ilmoittautumisaika
25.09.2021 - 07.11.2021
Ajoitus
25.10.2021 - 19.12.2021
Laajuus
4 op
Yksikkö
SeAMK Tekniikka
Toimipiste
SeAMK Tekniikka, Seinäjoki
Opetuskielet
- Suomi
Tutkinto-ohjelma
- Insinööri (AMK), Automaatiotekniikka
Opettaja
- Juha Hirvonen
- Toni Luomanmäki
Opiskelijaryhmät
-
AUTE18KAInsinööri (AMK), Automaatiotekniikka
-
AUTE18SAInsinööri (AMK), Automaatiotekniikka
Tavoitteet
Kurssin suoritettuaan opiskelija tuntee keskeiset konenäkömenetelmät sekä ymmärtää, mihin niitä voidaan soveltaa. Sovellusesimerkkejä käydään läpi tekniikan lisäksi myös biologiasta ja lääketieteestä. Opiskelija osaa toteuttaa kuvankäsittely- ja konenäkösovelluksia OpenCV-kirjastoa ja Python-ohjelmointikieltä käyttäen.
Sisältö
- Kuvanmuodostus ja digitaalisen kuvan rakenne
- Esikäsittelymenetelmät
- Segmentointimenetelmät
- Morfologiamenetelmät
- Muotojen ja piirteiden haku ja tunnistus
- Kuvamuunnokset
Oppimateriaalit
Jaetaan kurssilla
OpenCV:n dokumentaatiosivut
Opetusmenetelmät
- teoriaopetus ja yhdessä tehtävät esimerkit
- pakolliset kotitehtävät ja niiden läpikäyminen harjoituksissa
- laboratoriotyö (pienryhmässä)
- harjoitustyö
Opiskelijan ajankäyttö ja kuormitus
Lähitunnit 40h
Laboratoriotyö 10h
Harjoitustyö
Kotitehtävät
Muu itseopiskelu
Arviointiasteikko
1-5
Arviointikriteerit, tyydyttävä (1)
Opiskelija osaa lukea ohjelmallisesti digitaalisen kuvan ja tehdä sille yksinkertaisia esikäsittely- ja jälkikäsittelyoperaatioita sekä suorittaa yksinkertaisen segmentaation. Opiskelija tuntee perusteet digitaalisen kuvan rakenteesta.
Arviointikriteerit, hyvä (3)
Opiskelija osaa lisäksi analysoida segmentoitua kuvaa erilaisin menetelmin ja suorittaa siitä mittauksia. Opiskelija tuntee useita erilaisia esikäsittely-, jälkikäsittely- sekä analyysimenetelmiä ja osaa soveltaa niitä. Opiskelija tuntee laajasti konenäön sovelluksia ja osaa kuvailla niitä. Opiskelijan ohjelmointityyli on selkää.
Arviointikriteerit, kiitettävä (5)
Opiskelija hallitsee kurssilla opiskellut menetelmät vahvasti ja osaa soveltaa niitä laajasti omiin käyttötarkoituksiinsa ja kurssilla opetettujen sovellusten ulkopuolelle. Opiskelija lisäksi toteuttaa menetelmänsä erittäin selkeästi hyvää ohjelmointityyliä noudattaen.
Arviointimenetelmät ja arvioinnin perusteet
Kurssin osasuoritukset arvostellaan asteikolla 1-5. Kurssin lopullinen arvosana on kotitehtävien, laboratoriotyön ja harjoitustyön arvosanojen painotettu keskiarvo. Kotitehtävien arvosana määräytyy ratkaistun määrän mukaan, laboratoriotyön ja harjoitustyön taas työn laajuuden mukaan.
Hylätty (0)
Opiskelija ei tee riittävää määrää kotitehtäviä ja/tai laboratoriotyötä hyväksytysti ja/tai harjoitustyötä hyväksytysti.
Arviointikriteerit, tyydyttävä (1-2)
Opiskelija osaa luetella kuvanmuodostuksen perusteet.
Opiskelija osaa avata kuvan sekä toistaa kurssin aikana käytyjä menetelmiä eri parametreilla omille kuvilleen.
Opiskelija osaa lukea kuvavirtaa konenäkökameralta sekä osaa laskea automaattisesti kuvassa näkyvät objektit.
Käytännössä: kotitehtävien, laboratoriotyön ja harjoitustyön painotettu keskiarvo on 1-2.
Arviointikriteerit, hyvä (3-4)
Opiskelija osaa selittää kuvanmuodostuksen perusteet sekä kuvan rakenteen muistissa.
Opiskelija osaa avata kuvan tai kuvia sekä soveltaa kurssin aikana läpikäytyjä menetelmiä omille kuvilleen monipuolisesti.
Opiskelija osaa lukea kuvavirtaa konenäkökameralta sekä osaa automaattisesti laskea kuvassa näkyvät objektit sekä luokitella ne muodon perusteella.
Käytännössä: kotitehtävien, laboratoriotyön ja harjoitustyön painotettu keskiarvo on 3-4
Arviointikriteerit, kiitettävä (5)
Opiskelija osaa selittää kuvanmuodostuksen perusteet sekä kuvan rakenteen muistissa.
Opiskelija osaa avata kuvan tai kuvia sekä soveltaa kurssin aikana läpikäytyjä menetelmiä omille kuvilleen monipuolisesti ja laajasti. Opiskelija pystyy myös ottamaan käyttöön kurssin ulkopuolista asiaa ja hyödyntämään sitä.
Opiskelija osaa lukea kuvavirtaa konenäkökameralta sekä osaa automaattisesti laskea kuvassa näkyvät objektit, luokitella ne muodon perusteella sekä suorittaa erilaisia mittauksia ääriviivojen perusteella.
Käytännössä: kotitehtävien, laboratoriotyön ja harjoitustyön painotettu keskiarvo on 5
Esitietovaatimukset
Ohjelmoinnin perusteet 1
Lisätiedot
Suositeltavat muut opinnot:
Ohjelmoinnin perusteet 2