235015, 305450 Artificial Intelligence ปัญญาประดิษฐ์ 3(2-2-5)

1. 235015, 305450Artificial Intelligenceปัญญาประดิษฐ์3(2-2-5) สัปดาห์ที่ 1 • ขั้นตอนวิธีเชิงพันธุกรรม (Genetic Algorithm)

2. Outline 1 Objectives 2 What is Genetic Algorithm ? p 3 Genetic Algorithm Principle Genetic Algorithm & Application 4

3. Objectives • เพื่อให้นิสิตรู้และเข้าใจในกระบวนการทางพันธุกรรมศาสตร์ • เพื่อให้นิสิตเรียนรู้และเข้าใจเกี่ยวความสัมพันธ์ของกระบวนการทางพันธุกรรมศาสตร์กับงานด้านคอมพิวเตอร์ • เพื่อให้นิสิตสามารถประยุกต์ใช้ของกระบวนการทางพันธุกรรมศาสตร์ เพื่อแก้ปัญหาโจทย์ประยุกต์ด้านคอมพิวเตอร์ได้

4. Outline 1 Objectives 2 What is Genetic Algorithm ? p 3 Genetic Algorithm Principle Genetic Algorithm & Application 4

5. What is Genetic Algorithm ? ไทย: หลักการและประวัติของปัญญาประดิษฐ์ ปริภูมิสถานะและการค้นหา ขั้นตอนวิธีการค้นหาการแทนความรู้โดยใช้ตรรกะเพรดิเคต วิศวกรรมความรู้ โปรล็อกเบื้องต้น การประมวลผลภาษาธรรมชาติเบื้องต้น การเรียนรู้ของเครื่องจักร โครงข่ายประสาทเทียม ขั้นตอนวิธีเชิงพันธุกรรม หุ่นยนต์ อังกฤษ: -

6. Outline 1 Objectives 2 What is Genetic Algorithm ? p 3 Genetic Algorithm Principle Genetic Algorithm & Application 4

7. Genetic Algorithm Process

8. Overview of object tracking system Input data Tracking Method Output data Trajectory Tracking Algorithm 100 frames Graph of distance100 frames 3

9. The trajectory-based ball detection and tracking Input data Frames Sequence Output data

10. How to separate the ball ?

11. (0,0) (X3,Y3,D3) (X1,Y1,D1) (X2,Y2,D2) (X4,Y4,D4) (X5,Y5,D5) (X6,Y6,D6) 14

12. Ball Candidates Representation 10 1 2 10 2 1 15

14. Initial Population

15. Reference Frame Data

17. Fitness Value Evaluation • Where=Euclidean Distance = X-Coordinate = Y-Coordinate

18. Fitness value estimation • Where=Fitness value per point or frame = Distance between frame = Number of population = Number of frame 46

21. Select the Best Population Best Population 8 Chromosome

23. Crossover operator 5 6 1 1 1 4 7 1 6 Possible cross point 4 1 5 Random 20 Chromosome for Crossing Over

25. Mutation operator Random 8 Mutation Chromosome

27. Random operator 4 New Random Chromosome

29. Replace all Offspring in New Generation 8 + 20 + 8 + 4 = 40 ?

31. Outline 1 Objectives 2 What is Genetic Algorithm ? p 3 Genetic Algorithm Principle Genetic Algorithm & Application 4

32. Overview of object tracking system Input data Tracking Method Output data Trajectory Tracking Algorithm 100 frames Graph of distance100 frames 3

33. How to classify ball from the other objects? 10

34. Filtering process • The ball candidate objects can be detected by 4 Boolean Function of sieve processes, there are: • Color range filter ->(H, S, V) • Line filter • Shape filter • Size filter 11

35. What is the candidate objects? • Where=Boolean Function of Candidate Objects = Boolean Function of All Objects in Frame 12

36. Ball candidates representation • Where=Candidate Objects in Frame = X-Coordinate = Y-Coordinate = Distance 13

37. (0,0) (X3,Y3,D3) (X1,Y1,D1) (X2,Y2,D2) (X4,Y4,D4) (X5,Y5,D5) (X6,Y6,D6) 14

38. Input candidates before plot graph 10 1 2 10 2 1 15

39. Best ball trajectory verification Distance 7 8 1 3 4 5 6 2 Frame No. 16

40. Results of segmentation & filtering 17

41. Position of strength line in frame 18

42. After Background Subtraction 19

43. 20

44. Euclidean distance tracking dE1 dE2 Shortest = dE2 Distance dE3 Time k-1 k k+1 Past Current Next 21

45. Example of skeleton trajectory Kalman Filter -> Temp position 22

46. 23

47. Miss frame identification Kalman Filter -> Temp position 24

48. Kalman filter system 25

49. Kalman Filter Process dE1> Thd Prediction Correction by ROI Distance dE2 > Thd Time k-1 k k+1 Past Current Future 26

50. Example disadvantage of Kalman Filter “ROI” CUT FOR FINDING SUITABLE OBJECT 27