@MASTERSTHESIS\{IMM2006-04767,
    author       = "J. R. Rasmussen and L. H. Nikolajsen",
    title        = "Multispektral billedanalyse af f{\o}devarer",
    year         = "2006",
    school       = "Informatics and Mathematical Modelling, Technical University of Denmark, {DTU}",
    address      = "Richard Petersens Plads, Building 321, {DK-}2800 Kgs. Lyngby",
    type         = "",
    note         = "Supervised Jens Michael Carstensen, {IMM}.",
    url          = "http://www2.compute.dtu.dk/pubdb/pubs/4767-full.html",
    abstract     = "Dette projekt omhandler emnet ”multispektral billedanalyse af f{\o}devarer”. De tre unders{\o}gte omr{\aa}der er adskillelsen af fedt og k{\o}d samt bestemmelse af k{\o}dfarve for spegep{\o}lser, estimering af barrierelagstykkelsen for en kiks med et p{\aa}f{\o}rt lag af vandbarriere og estimering af vandindhold i br{\o}d. Projektet er udarbejdet i samarbejde med Danisco A/S.

Et multispektralt billede best{\aa}r af billeder taget ved mange forskellige b{\o}lgel{\ae}ngder. Billederne brugt i dette projekt er alle taget med et VideometerLab system fra Videometer A/S og indeholder 18 spektra fra 395 \&\#8722; 970nm.

K{\o}dfarven af spegep{\o}lser:

En spegep{\o}lses k{\o}dfarve er, ud over smag og pris, en vigtig salgsparameter. Fedtm{\ae}ngden, -fordelingen og -farven vil p{\aa}virke hvordan det menneskelige {\o}je ser farven, og forskellige personer vil kunne vurdere den samme farve forskelligt. Derfor vil en entydig og reproducerbar angivelse af farven v{\ae}re et nyttigt v{\ae}rkt{\o}j i forbindelse med udvikling og salg af tils{\ae}tningsstoffer for spegep{\o}lser til industrien.

Der er udviklet en metode til at estimere farven af k{\o}det i en spegep{\o}lse ved at anvende {PCA} (principal komponent analyse) eller {MAF} (minimum autokorrelationsfaktorer). Derefter er fedtet og k{\o}det skilt fra hinanden med en adaptiv thresholding, og der beregnes en gennemsnitsv{\ae}rdi af farven fra midten og ud mod kanten. Fedtets gennemsnitsfarve bestemmes p{\aa} tilsvarende vis. K{\o}d- og fedtfarven angives med to tal, et der angiver hvor lys/m{\o}rk den er og et der angiver r{\o}dheden. Derudover er der fremstillet en metode til at skille fedtomr{\aa}derne fra hinanden og angive antallet og st{\o}rrelserne af dem.

Estimering af lagtykkelsen for vandbarrieren til kiks:

Vandbarriere p{\aa} kiks har til form{\aa}l at {\o}ge holdbarheden for f{\o}devarer hvor et vandholdigt produkt ligger p{\aa} en spr{\o}d kiks, ved at forhindre vandet i at tr{\ae}nge ind i kiksen. En tilstr{\ae}kkelig tykkelse af barrierelaget og en p{\aa}f{\o}rsel uden huller eller revner er n{\o}dvendig for at barrierelaget virker efter hensigten. For vandbarrieren p{\aa} kiks er der opstillet en line{\ae}r model ud fra en serie af kiks hvor barrierelagstykkelsen er kendt p{\aa} forh{\aa}nd. Modellen beskriver h{\o}jden af det p{\aa}f{\o}rte barrierelag i hver pixel og standardafvigelsen for det samlede billede angiver hvor j{\ae}vnt barrierelaget er p{\aa}f{\o}rt. Den gennemsnitlige standardafvigelse for j{\ae}vnheden er fundet til hhv. 30, 61\&\#956;m og 52, 84\&\#956;m for de to dataserier. Derudover er barrierelagstykkelsen pr{\ae}senteret som et h{\o}jdekort hvor tykkelsen i de enkelte omr{\aa}der af kiksen kan afl{\ae}ses ud fra farvespektret. Den beregnede standardafvigelse p{\aa} testdata for den bedste model er p{\aa} 93.53\&\#956;m i forhold til de m{\aa}lte tykkelser. Selvom modellen har givet lovende resultater, har datas{\ae}ttet ikke v{\ae}ret godt nok til at vurdere om resultaterne er brugbare. 

Estimering af vandindholdet i br{\o}d:

Vandindholdet i br{\o}d er en vigtig parameter i forhold til br{\o}dets friskhed, og de nuv{\ae}rende metoder (HB43 og LP16) til m{\aa}ling af vandindhold er relativt tidskr{\ae}vende. Der er udviklet et system til at estimere vandindholdet i en br{\o}dskive ud fra statistiske features af et multispektralt billede. Den bedste model er fundet vha. {LARS-EN} regressionsanalyse. Modellen kan ud fra features beregnet p{\aa} hele billedet estimere vandindholdet i procent m{\aa}lt med HB43-metoden med en standardafvigelse p{\aa} {0,}71 procentpoint, og {1,}18 procentpoint for m{\aa}linger med LP16-metoden. Estimeringen kan forbedres ved kun at benytte d\'{e}n del af billedet der ligger t{\ae}ttest p{\aa} br{\o}dets snitflade til beregning af features. Med 38\% af billedet opn{\aa}s en standardafvigelse for HB43-metoden p{\aa} {0,}68 procentpoint, og med 40\% opn{\aa}s en standardafvigelse for LP16-metoden p{\aa} {1,}14. Denne forbedring opn{\aa}s formentlig fordi variationskilden, i form af st{\o}rre lufthuller i br{\o}det, elimineres.

For alle tre emner er der udviklet en softwarepakke til at udf{\o}re analyserne s{\aa} automatiseret som muligt. Derudover er der blevet udviklet en softwarepakke der udnytter den multispektrale information i billedet til at lave en robust opdeling mellem for- og baggrund. Denne pakke har vist sig anvendelig overfor alle de billeder vi har haft til r{\aa}dighed i vores datas{\ae}t, men har dog visse svagheder overfor billeder med meget lidt baggrund.

Der er ikke blevet stillet konkrete krav til hvor pr{\ae}cise de tre systemer skal v{\ae}re, s{\aa} det er op til Danisco at vurdere om de fundne resultater gode nok til at systemerne kan tages i brug."
}