Road Sign Recognition based onInvariant Features using SupportVector Machine

Since last two decades researches have been working on developing systems that can assistsdrivers in the best way possible and make driving safe. Computer vision has played a crucialpart in design of these systems. With the introduction of vision techniques variousautonomous and robust real-time traffic automation systems have been designed such asTraffic monitoring, Traffic related parameter estimation and intelligent vehicles. Among theseautomatic detection and recognition of road signs has became an interesting research topic.The system can assist drivers about signs they don’t recognize before passing them.Aim of this research project is to present an Intelligent Road Sign Recognition System basedon state-of-the-art technique, the Support Vector Machine. The project is an extension to thework done at ITS research Platform at Dalarna University [25]. Focus of this research work ison the recognition of road signs under analysis. When classifying an image its location, sizeand orientation in the image plane are its irrelevant features and one way to get rid of thisambiguity is to extract those features which are invariant under the above mentionedtransformation. These invariant features are then used in Support Vector Machine forclassification. Support Vector Machine is a supervised learning machine that solves problemin higher dimension with the help of Kernel functions and is best know for classificationproblems.

MACHINE VISION FOR AUTOMATICVISUAL INSPECTION OF WOODENRAILWAY SLEEPERS USING UNSUPERVISED NEURAL NETWORKS

The motivation for this thesis work is the need for improving reliability of equipment and quality of service to railway passengers as well as a requirement for cost-effective and efficient condition maintenance management for rail transportation. This thesis work develops a fusion of various machine vision analysis methods to achieve high performance in automation of wooden rail track inspection.The condition monitoring in rail transport is done manually by a human operator where people rely on inference systems and assumptions to develop conclusions. The use of conditional monitoring allows maintenance to be scheduled, or other actions to be taken to avoid the consequences of failure, before the failure occurs. Manual or automated condition monitoring of materials in fields of public transportation like railway, aerial navigation, traffic safety, etc, where safety is of prior importance needs non-destructive testing (NDT).In general, wooden railway sleeper inspection is done manually by a human operator, by moving along the rail sleeper and gathering information by visual and sound analysis for examining the presence of cracks. Human inspectors working on lines visually inspect wooden rails to judge the quality of rail sleeper. In this project work the machine vision system is developed based on the manual visual analysis system, which uses digital cameras and image processing software to perform similar manual inspections. As the manual inspection requires much effort and is expected to be error prone sometimes and also appears difficult to discriminate even for a human operator by the frequent changes in inspected material. The machine vision system developed classifies the condition of material by examining individual pixels of images, processing them and attempting to develop conclusions with the assistance of knowledge bases and features.A pattern recognition approach is developed based on the methodological knowledge from manual procedure. The pattern recognition approach for this thesis work was developed and achieved by a non destructive testing method to identify the flaws in manually done condition monitoring of sleepers.In this method, a test vehicle is designed to capture sleeper images similar to visual inspection by human operator and the raw data for pattern recognition approach is provided from the captured images of the wooden sleepers. The data from the NDT method were further processed and appropriate features were extracted.The collection of data by the NDT method is to achieve high accuracy in reliable classification results. A key idea is to use the non supervised classifier based on the features extracted from the method to discriminate the condition of wooden sleepers in to either good or bad. Self organising map is used as classifier for the wooden sleeper classification.In order to achieve greater integration, the data collected by the machine vision system was made to interface with one another by a strategy called fusion. Data fusion was looked in at two different levels namely sensor-level fusion, feature- level fusion. As the goal was to reduce the accuracy of the human error on the rail sleeper classification as good or bad the results obtained by the feature-level fusion compared to that of the results of actual classification were satisfactory.

Fjärrvärmedrivna vitvaror : Erfarenheter från utveckling, installationer och kostnadsberäkningar

Värmedrivna vitvaror eller HWC-maskiner som de kallas av tillverkaren värms med varmt vatten från en cirkulerande krets via en värmeväxlare inbyggd i maskinen, till skillnad från konventionella maskiner som värms med el. Denna teknik skall inte förväxlas med maskiner som är anslutna till varmvattenledningen och fylls på med varmt vatten och som därmed begränsas till disk- och tvätt. Syftet med fjärrvärmedrivna vitvaror är alltså att använda fjärrvärme, som har lägre kvalitet och pris än elenergi för uppvärmning och torkning och på så sätt spara el och utöka fjärrvärmeunderlaget. En jämförelse av koldioxidutsläpp och primärenergianvändning mellan konventionella vitvaror och fjärrvärmedrivna vitvaror visar att både koldioxidutsläpp och primärenergianvändning blir lägre för fjärrvärmedrivna vitvaror om biobränsle anses koldioxidneutralt och den el som ersätts är producerad i kolkraftverk eller gaskombikraftverk.   Denna rapport beskriver utveckling och kommersialisering av värmedrivna vitvaror (disk- och tvättmaskiner samt torktumlare och torkskåp) och hur de kan anslutas mot fjärrvärmesystem i olika systemlösningar. Dessutom har de energimässiga och ekonomiska förutsättningarna för tekniken undersökts. Erfarenheterna från fältprovning är dock mycket begränsade, eftersom de byggen där fälttesterna skulle ske försenades. Under 2013 färdigställs ett flerbostadshus med värmedrivna vitvaror i 160 lägenheter i Västerås.   De utvecklade maskinernas värmeanvändning som andel av total energianvändning vid 60 graders framledningstemperatur har uppmätts till ca 50 % för diskmaskinen, 67 % för tvättmaskinen, 80 % för torktumlaren och 93 % för torkskåpet. I det studerade flerbostadshuset av passivhusstandard uppgår lasten från värmedrivna vitvaror komfortgolvvärme och handdukstorkar till upp mot 30 % av husets totala värmeanvändning. För småhus är motsvarande siffra upp mot 20 %. Att använda fjärrvärme istället för elvärme till dessa installationer som normalt är elvärmda kan allts minska elbehovet betydligt i lågenergibebyggelse vilket också minskar både koldioxidutsläppen och primärenergianvändningen.   Ekonomiska analyser har genomförts för två olika systemkoncept (separat vitvarukrets och Västeråsmodellen) för nybyggda småhusområden och flerfamiljshus där fjärrvärme inte bara används till vitvaror utan också till handdukstorkar och komfortgolvvärme. De ekonomiska analyserna visar att Västeråsmodellen är den mest ekonomiskt intressanta systemlösningen med värmedrivna vitvaror, handdukstork och komfortgolvvärme. I flerfamiljshus kan den vara konkurrenskraftig mot de elvärmda alternativen (konventionellt system med eldrivna vitvaror, komfortgolvvärme och handdukstorkar) om prisskillnaden mellan el och fjärrvärme är större än 0,7 kr/kWh. En parameterstudie visar att kapitalkostnaden blir ganska hög jämfört med energikostnaden, vilket betyder att lång livslängd och många cykler är viktigt för att förbättra de ekonomiska förutsättningarna för värmedrivna vitvaror. För passiva småhus blir kostnaden för Västeråsmodellen med värmedrivna vitvaror, handdukstork och komfortgolvvärme likvärdig med de elvärmda alternativen vid energiprisskillnader på 0,7 kr/kWh inklusive moms, medan det krävs prisskillnader på 0,9 kr/kWh inklusive moms för normalisolerade småhusområden.   Sammanfattningsvis kan sägas att i kommuner med ett konkurrenskraftigt fjärrvärmepris finns det viss lönsamhet för hela konceptet enligt Västeråsmodellen med värmedrivna vitvaror, komfortgolvvärme, och handdukstorkar. Om man däremot ser på konkurrensen för enskilda vitvaror är det främst torktumlaren som är konkurrenskraftig i bostäder. Målpriset på 1000 kr extra för värmedrift har inte kunnat uppnås inom projektet för diskmaskiner och tvättmaskiner. Det krävs lägre priser och låga anslutningskostnader för att räkna hem diskmaskinen och tvättmaskinen som enskilda komponenter.   Värmedrivna tvättmaskiner och torktumlare är konkurrenskraftiga i flerfamiljstvättstugor. Speciellt i de fall där beläggningen är god och flera maskiner delar på anslutningskostnaden till fjärrvärmecentralen kan värmedrift bli riktigt lönsam. Torkskåpens konkurrenskraft har inte kunnat utvärderas, då priset ännu inte fastställts. Att använda VVC-systemet för värmedistribution till värmedrivna vitvaror kan vara mycket intressant, men det kräver att legionellaproblematiken kan lösas. I nuläget finns ingen lösning som uppfyller formuleringarna i boverkets byggregler. Ett annat distributionssätt som kan vara intressant, men som inte undersökts i studien är att använda VVC för varmvattendistribution och en gemensam radiator- och vitvarukrets med konstant framledningstemperatur. Den aktör som förväntas ha störst ekonomiskt intresse av att tekniken implementeras är sannolikt fjärrvärmebolagen som får sälja mer värme och det ligger därmed främst på deras ansvar att marknadsföra tekniken i mötet med sina kunder.

Machine Learning Algorithms in Heavy Process Manufacturing

In a global economy, manufacturers mainly compete with cost efficiency of production, as the price of raw materials are similar worldwide. Heavy industry has two big issues to deal with. On the one hand there is lots of data which needs to be analyzed in an effective manner, and on the other hand making big improvements via investments in cooperate structure or new machinery is neither economically nor physically viable. Machine learning offers a promising way for manufacturers to address both these problems as they are in an excellent position to employ learning techniques with their massive resource of historical production data. However, choosing modelling a strategy in this setting is far from trivial and this is the objective of this article. The article investigates characteristics of the most popular classifiers used in industry today. Support Vector Machines, Multilayer Perceptron, Decision Trees, Random Forests, and the meta-algorithms Bagging and Boosting are mainly investigated in this work. Lessons from real-world implementations of these learners are also provided together with future directions when different learners are expected to perform well. The importance of feature selection and relevant selection methods in an industrial setting are further investigated. Performance metrics have also been discussed for the sake of completion.

A review of Parkinson’s disease cardinal and dyskinetic motor symptoms assessment methods using sensor systems

This paper is reviewing objective assessments of Parkinson’s disease(PD) motor symptoms, cardinal, and dyskinesia, using sensor systems. It surveys the manifestation of PD symptoms, sensors that were used for their detection, types of signals (measures) as well as their signal processing (data analysis) methods. A summary of this review’s finding is represented in a table including devices (sensors), measures and methods that were used in each reviewed motor symptom assessment study. In the gathered studies among sensors, accelerometers and touch screen devices are the most widely used to detect PD symptoms and among symptoms, bradykinesia and tremor were found to be mostly evaluated. In general, machine learning methods are potentially promising for this. PD is a complex disease that requires continuous monitoring and multidimensional symptom analysis. Combining existing technologies to develop new sensor platforms may assist in assessing the overall symptom profile more accurately to develop useful tools towards supporting better treatment process.