P0 Projekt
Oversat titel
P0 Project
Forfattere
Nielsen, Mads Block ; Brandi, Stine ; Madsen, Christian Bøgelund ; Hanan, Abdul Wahid ; Hong, Wanjun ; Folsach, Lasse Olsen
Semester
1. semester
Udgivelsesår
2025
Afleveret
2025-09-24
Antal sider
18
Resumé
Dette projekt undersøger, hvordan et HSV-baseret billedbehandlingsprogram i Python kan gøre brætspillet Kingdomino mere tilgængeligt ved at genkende terrænbrikker automatisk og dermed danne grundlag for pointberegning. Udgangspunktet er, at farvemodellen HSV (Hue, Saturation, Value) bedre adskiller visuelle ligheder som skov og græs end RGB, fordi mætning og lysstyrke indgår. Metodisk er der indsamlet billeder af spilleplader opdelt i et 5x5 grid, hvorefter HSV-værdier for hver tile er udtrukket, analyseret i Excel og omsat til finjusterede intervalgrænser pr. terræntype for en regelbaseret klassifikation. Datasættet er delt i træning, validering og test, og præstationen evalueres via en confusion matrix med fokus på accuracy, precision og recall; målet er omkring 85% nøjagtighed under rimelige lys- og billedforhold. Af hensyn til tid og teknisk niveau er punktælling, kronegenkendelse og registrering af sammenhængende områder fravalgt i denne prototype, ligesom Home-brikken udelades, da den ikke påvirker scoren og er vanskelig at identificere stabilt. Løsningen er begrænset til klassisk Kingdomino, forudsætter et tydeligt inputbillede og korrekt 5x5-tilpasning. Projektet leverer dermed et funktionelt grundlag for pålidelig terrængenkendelse og peger mod fremtidig udvidelse med automatiseret pointoptælling.
This project explores how an HSV-based image processing program in Python can make the board game Kingdomino more accessible by automatically recognizing terrain tiles as a foundation for score calculation. The HSV color model (Hue, Saturation, Value) is used because it separates visually similar greens (e.g., forest vs. grassland) by considering saturation and brightness. Methodologically, photos of boards are segmented into a 5x5 grid, HSV values per tile are extracted, analyzed in Excel, and translated into refined interval thresholds per terrain type for a rule-based classifier. The dataset is split into training, validation, and test sets, and performance is evaluated with a confusion matrix emphasizing accuracy, precision, and recall; the target accuracy is about 85% under reasonable lighting and image quality. Due to time and skill constraints, automatic scoring, crown detection, and contiguous-area detection are out of scope in this prototype, and the Home tile is excluded because it does not affect scoring and is hard to identify reliably. The solution is limited to classic Kingdomino, requires a clear input image, and assumes correct 5x5 alignment. The project delivers a working basis for reliable terrain recognition and sets the stage for future integration of automated scoring.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet fuldtekst]