Dokunsal sensör sinyalleri ile yüzey dokularının sınıflandırılması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Malatya Turgut Özal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dokunsal algılama, robotik ve protez teknolojilerinde çevresel etkileşimleri hassas bir şekilde yönetmek için kritik bir rol oynar. Bu alandaki önemli araştırma konularından biri yüzey tanımlamadır. Yüzeylerin doku özelliklerini anlamak amacıyla insan doku tanıma sistemleri yapay parmak yapıları kullanılarak modellenir. Bu modellemede, yüzeylere içsel ölçüm birimleri yerleştirilir ve bu birimler yüzeyde titreşim oluşturarak çeşitli elektriksel sinyaller toplar. Toplanan sinyaller, örüntü tanıma teknikleri ile analiz edilip sınıflandırılır. Bu tezde, yüzey tanımlama için iki farklı veri seti kullanılmıştır. İlk veri setinde, Eğimden Arındırılmış Dalgalılık Analizi (EADA) ve Destek Vektör Makineleri (DVM) yöntemleri uygulanmıştır. EADA, verileri belirli bir eğimden arındırarak yüzeylerin daha doğru analiz edilmesini sağlar. DVM ise bu verilerin yüksek doğrulukla sınıflandırılmasını sağlar ve %99.16 oranında bir sınıflama doğruluğu elde edilmiştir. İkinci veri setinde, yapay parmak yapısına entegre edilen Alan Programlanabilir Kapı Dizileri (APKD) kullanılarak öznitelik çıkarımı yapılmış ve bu öznitelikler Uzun Kısa Zamanlı Bellek (UKZB) algoritması ile sınıflandırılmıştır. UKZB, zaman serisi verilerini etkili bir şekilde işleyerek dokunsal verilerin dinamik özelliklerini öğrenir ve %96.87 doğruluk oranı sağlar. Bu çalışmalar, dokunsal algılamanın robotik ve protez teknolojilerindeki potansiyelini artırırken, yüzey tanımlama ve analiz yöntemlerinin geliştirilmesine önemli katkılarda bulunmaktadır. Yapay parmak yapıları ve APKD tabanlı öznitelik çıkarımı gibi yenilikçi yöntemler, bu alandaki araştırmaların doğruluk ve verimlilik seviyelerini yükseltmeye yönelik önemli adımlar sunmaktadır.
Tactile sensing plays a critical role in managing environmental interactions precisely in robotics and prosthetics technologies. One important research topic in this field is surface characterization. To understand the texture properties of surfaces, human tissue recognition systems are modeled using artificial finger structures. In this modeling, internal measurement units are placed on surfaces, creating vibrations that generate various electrical signals. These signals are then analyzed and classified using pattern recognition techniques. This thesis utilizes two different datasets for surface characterization. In the first dataset, the Fractal Detrended Fluctuation Analysis (F-DFA) and Support Vector Machines (SVM) methods are applied. F-DFA removes specific slopes from the data to enable more accurate surface analysis. SVM provides high accuracy in classifying these data, achieving a classification accuracy of %96.16. In the second dataset, features are extracted using Field-Programmable Gate Arrays (FPGA) integrated into the artificial finger structure, and these features are classified using Long Short-Term Memory (LSTM) algorithms. LSTM effectively processes time series data, learning the dynamic properties of tactile data, and achieves a classification accuracy of %96.87. These studies contribute significantly to enhancing the potential of tactile sensing in robotics and prosthetics, advancing the development of surface characterization and analysis methods. Innovative techniques like artificial finger structures and FPGA-based feature extraction offer important steps towards improving accuracy and efficiency in this research area.
Tactile sensing plays a critical role in managing environmental interactions precisely in robotics and prosthetics technologies. One important research topic in this field is surface characterization. To understand the texture properties of surfaces, human tissue recognition systems are modeled using artificial finger structures. In this modeling, internal measurement units are placed on surfaces, creating vibrations that generate various electrical signals. These signals are then analyzed and classified using pattern recognition techniques. This thesis utilizes two different datasets for surface characterization. In the first dataset, the Fractal Detrended Fluctuation Analysis (F-DFA) and Support Vector Machines (SVM) methods are applied. F-DFA removes specific slopes from the data to enable more accurate surface analysis. SVM provides high accuracy in classifying these data, achieving a classification accuracy of %96.16. In the second dataset, features are extracted using Field-Programmable Gate Arrays (FPGA) integrated into the artificial finger structure, and these features are classified using Long Short-Term Memory (LSTM) algorithms. LSTM effectively processes time series data, learning the dynamic properties of tactile data, and achieves a classification accuracy of %96.87. These studies contribute significantly to enhancing the potential of tactile sensing in robotics and prosthetics, advancing the development of surface characterization and analysis methods. Innovative techniques like artificial finger structures and FPGA-based feature extraction offer important steps towards improving accuracy and efficiency in this research area.
Açıklama
Lisansüstü Eğitim Enstitüsü, Enformatik Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
