1. Razpoznavanje drevesnih značilnosti iz fotografije s pomočjo konvolucijskih nevronskih mrež : diplomsko deloŽan Hozjan, 2022, diplomsko delo Opis: V diplomskem delu implementiramo sistem za razpoznavanje drevesnih značilnosti iz fotografije. Sistem v obliki mobilne aplikacije omogoča zajem fotografije drevesa in razpoznavo drevesnih značilnosti na zajeti fotografiji. Na podlagi razpoznanih značilnosti ter podane razdalje med drevesom in mobilno napravo sistem oceni višino in biomaso drevesa ter količino ogljika, ki ga vsebuje. V mobilni aplikaciji je moč nastale zapise med seboj primerjati, ter tako spremljati rast drevesa. Tekom diplomskega dela opišemo zgradbo sistema, razložimo delovanje posameznih funkcij in podamo rezultate.
Ključne besede: razpoznavanje drevesnih značilnosti, konvolucijske nevronske mreže, računalniški vid, TensorFlow, mobilno računalništvo, postavitev strežniške arhitekture, odjemalec-strežnik
Objavljeno v DKUM: 24.10.2022; Ogledov: 740; Prenosov: 72
 Celotno besedilo (6,33 MB)
Gradivo ima več datotek! Več... |
2. ARM-Based Video Intercom System with Next-Gen Human Presence Detection using Deep Learning : magistrsko deloMario Gavran, 2022, magistrsko delo Opis: This master's thesis presents an advanced video system with human presence detection based on deep learning and an ARM microcontroller. The objective of the thesis is to develop a system that works as a smart video intercom, which could be installed, e.g. on the entrance door, and autonomously alert the owner that a guest is in front of the door. The main goal is to use an AI algorithm, namely the neural network model on a constrained device, such as an ARM microcontroller, as their main advantage is lower power consumption and cost.
The thesis also describes commonly used methods to reduce the power and memory footprint and to implement and accelerate the deep learning algorithms more effectively. Further, the most notable deep learning hardware and some general platforms are described in more detail.
The thesis also presents the development of a human presence detection system based on an ARM microcontroller, VGA camera, and LCD, where Tensorflow Lite Micro, an open-source C++ framework for deploying deep learning models to embedded platforms and a pre-trained neural network model for person presence detection are used.
Ključne besede: TensorFlow Lite Micro, Video intercom system, ARM Cortex-M microcontroller, Human presence detection, Neural network
Objavljeno v DKUM: 08.07.2022; Ogledov: 783; Prenosov: 57
Celotno besedilo (7,86 MB) |
3. Razvoj sistema za pretvorbo besedil v govor z globokimi nevronskimi mrežami : magistrsko deloMatevž Bratina, 2021, magistrsko delo Opis: V magistrski nalogi smo razvili sistem pretvorbe besedila v govor PLATTOS za več jezikov. Sistem bazira na osnovi globokih nevronskih mrež. Osnovni cilj naloge je bil razviti in testirati sistem sinteze govora na osnovi globokega učenja, ki bo čim bolje generiral govor v več jezikih, pri čemer je tudi pomemben čas generiranja. Prvi del naloge tako predstavlja pregled tehnologij sistemov sinteze govora in njihova podrobnejša analiza. Zanimala nas je namreč arhitektura sistema sinteze govora, medsebojna primerjava zmogljivosti sistemov, njihov razvoj in kvaliteta sintetiziranega signala, ki ga določen TTS lahko generira. Sledila je izbira tehnologije globokega učenja, in razvoj novega TTS sistema. Izbrali smo tisto, ki je izkazovala največji potencial, da izpolni vse zastavljene cilje. Sledil je razvoj TTS sistema. Za prvo stopnjo (pretvorba vhodnega besedila v spektrogram) smo izbrali Tacotron globoki model. Ta je namenjen pretvorbi spektrogramov v pripadajoči govorni signal. V drugi stopnji, smo izbrali vokoder Waveglow. Pred izbiro komponent sistema, smo različne tipe vokoderjev in rekonstrukcijskih algoritmov tudi testirali. Sistem TTS na osnovi globokih nevronskih mrež PLATTOS smo testirali na različnih prosto dostopnih bazah govornih podatkov večih jezikov. Ocenjevali in primerjali smo tudi kvaliteto sinteze govora različnih arhitektur z globokimi nevronskimi mrežami. Kot kriterij kvalitete sinteze govora, smo bili predvsem pozorni na naravnost in razumljivost sintetiziranega govora. Pri ocenjevanju kvalitete smo tako uporabili subjektivne MUSHRA teste. Pokazalo se je, da kombinacija globokih nevronskih modelov Tacotron in Waveglow zagotovi najboljše rezultate v večih jezikih, kar se tiče kvalitete sintetiziranega govora in hitrosti generiranja odziva.
Ključne besede: globoko učenje, nevronska mreža, sinteza govora, umetna inteligenca, Pytorch, Tensorflow, Tacotron, Waveglow, Wavenet, WaveRNN
Objavljeno v DKUM: 18.10.2021; Ogledov: 877; Prenosov: 116
Celotno besedilo (3,01 MB) |
4. Prepoznava prstov s pomočjo globokega učenja : magistrsko deloRobert Kopušar, 2021, magistrsko delo Opis: Magistrsko delo obravnava problematiko prepoznavanja prstov na roki, s pomočjo katere lahko v ozadju upravljamo najrazličnejše naloge in procese. Delo je zasnovano kot predstavitev reševanja iste problematike s pomočjo dveh različnih pristopov in predstavitev njunih prednosti in slabosti. Z uporabo tehnologije iskanja vzorca v sliki smo se problematike lotili na direkten način in v sliki sami iskali značilnost, s pomočjo katere smo iz slike razbrali tudi želeno gesto rok s prsti. Z uporabo tehnologije globokega učenja smo iskanje značilnosti prepustili umetni inteligenci, a smo zato na začetku potrebovali veliko bazo že rešenih primerov prepoznav. Dognanja iz tega dela dajejo dobra izhodišča vsem raziskovalcem in inženirjem pri nadaljnjemu raziskovanju in implementaciji sistemov slikovne prepoznave, ki temeljijo na tehnologiji strojnega vida ali globokega učenja.
Ključne besede: slikovno prepoznavanje, globoko učenje, LabVIEW, TensorFlow, prst
Objavljeno v DKUM: 21.06.2021; Ogledov: 1683; Prenosov: 104
Celotno besedilo (5,33 MB) |
5. Konvolucijske nevronske mreže za odkrivanje napak s pomočjo zvoka : magistrsko deloGorazd Fažmon, 2020, magistrsko delo Opis: V magistrskem delu je predstavljen razvoj sistema za zaznavanje napak v industrijskih procesih, ki temelji na osnovi zaznave zvoka. S pomočjo programskega orodja Audacity, so zajeti zvočni signali proizvodnih postopkov. S programskim orodjem Python je izdelan program za pretvorbo zvočnega signala v sliko. Z uporabo Python knjižnice TensorFlow je program naučen, da prepozna napako. Podan je podroben opis pomembnih pojmov, algoritmov, metod in testiranj sistema. Glavni cilj naloge je implementirati zgrajen sistem na dejanskem proizvodnem postopku.
Ključne besede: konvolucijska nevronska mreža, kakovost zvoka, spektrogram, Mel frekvenčni kepstralni koeficienti (MFCC), TensorFlow
Objavljeno v DKUM: 04.11.2020; Ogledov: 1154; Prenosov: 145
Celotno besedilo (1,97 MB) |
6. Analiza uspešnosti optične prepoznave elementov BPMN : magistrsko deloSlavica Jagečić, 2019, magistrsko delo Opis: Magistrsko delo predstavlja postopek izdelave modela za prepoznavo ročno risanih BPMN elementov ter pridobitev rezultatov (%) uspešnosti njihove prepoznave. Za pomoč pri razvoju modela za prepoznavo elementov BPMN smo uporabili ogrodje TensorFlow. Opravili smo pregled literature, predstavili obstoječe rešitve, razvite na podlagi optične prepoznave in strojnega učenja. Razložili smo osnovne gradnike BPMN (standard BPMN 2.0.) in nekatere od teh elementov vključili v proces analize uspešnosti razpoznave s pomočjo mobilne aplikacije, izdelane v okviru naloge in razvite v okolju Angular.js, v katero smo vključili izdelani TensorFlow model, ki je zmožen prepoznavati BPMN elemente. V analizi smo zapisali ugotovitve, ki smo jih pridobili v raziskovalnemu delu na podlagi vprašalnikov. Ugotovitve, pridobljene v analizi, so pokazale da je mobilna aplikacija zmožna prepoznavati določene elemente BPMN, vendar ne vseh. Prav tako smo podali smernice za nadaljnje delo.
Ključne besede: BPMN, OCR, strojno učenje, TensorFlow
Objavljeno v DKUM: 13.11.2019; Ogledov: 961; Prenosov: 128
Celotno besedilo (4,06 MB) |
7. Avtomatizacija pregledovanja kode s pomočjo strojnega učenjaSebastjan Stojnšek, 2018, magistrsko delo Opis: V tem magistrskem delu smo se posvetili področju pregledovanja kode s pomočjo strojnega učenja. Proučili smo sorodna dela na tem področju ter določili teoretični pristop, s pomočjo katerega bomo lahko izvajali napovedovanje slabih sprememb programske kode programskega jezika Javascript, ki zahtevajo odpravo napak. Tako bomo zmanjšali porabo virov pri pregledovanju programske kode. Izdelali smo prototip ekspertnega sistema, ki bo omogočal generiranje metrik in učenje nevronske mreže v ogrodju Tensorflow.js. Učinkovitost sistema smo ovrednotili na treh odprtokodnih projektih ter dosegli rezultate, ki upravičujejo smiselnost vpeljave takšnega sistema v proces razvoja programske opreme.
Ključne besede: strojno učenje, Tensorflow, pregledovanje kode, JavaScript, nevronske mreže, programsko inženirstvo
Objavljeno v DKUM: 22.11.2018; Ogledov: 1573; Prenosov: 131
Celotno besedilo (1,51 MB) |
8. Prepoznavanje jedi iz digitalnih slik s pomočjo konvolucijskih nevronskih mrežJan Banko, 2018, diplomsko delo Opis: V diplomskem delu se ukvarjamo s prepoznavo jedi iz digitalnih slik s pomočjo konvolucijskih nevronskih mrež. Namen diplomskega dela je razvoj in implementacija sistema, ki je zmožen prepoznati hrano na digitalni sliki. Natančneje smo preučili delovanje konvolucijskih nevronskih mrež ter postopek prepoznavanja objektov. Opisali smo tudi uporabljene algoritme za detekcijo objektov, ki uporabljajo konvolucijske nevronske mreže. Pri implementaciji razpoznavalnika hrane smo se omejili na 8 različnih kategorij hrane. Pri testiranju na podatkovni zbirki »The Food-101 Data Set« je na množici 2400 slik najboljši izmed uporabljenih modelov detektorjev dosegel natančnost prepoznavanja 95,59 % pri uporabi metrike »PASCAL VOC 2010« ter 72,1 % pri uporabi metrike »COCO«.
Ključne besede: računalniški vid, prepoznavanje hrane, konvolucijske nevronske mreže, Tensorflow
Objavljeno v DKUM: 31.08.2018; Ogledov: 3039; Prenosov: 313
Celotno besedilo (2,69 MB) |
9. Napovedovanje odpovedi izdelkov z metodami globokega učenjaBlaž Sašek, 2017, diplomsko delo/naloga Opis: Diplomsko delo obravnava razvoj in optimizacijo modelov za analizo garancijskih podatkov in napovedovanje odpovedi z metodami globokega učenja. Globoko učenje je redko uporabljeno v tovrstne namene, zato so raziskave na tem področju pomembne, a obenem težavne, saj obstaja manj predhodnih virov, s katerimi si lahko pomagamo. Na drugi strani pa se tehnologija v zadnjih letih razvija izjemno hitro, tako da lahko modele globokega učenja implementiramo tudi brez detajlnega poznavanja vseh elementov globokega učenja, kar je omogočilo razcvet uporabe in aplikacijo globokega učenja na široko paleto problemov.
V nalogi smo preizkusili več različnih modelov, od prilagojenega enoslojnega perceptrona do konvolucijske nevronske mreže, in večje število optimizacijskih metod. Z uporabljenimi metodami smo dosegli 30–40-% stopnjo natančnosti, kar odstopa od želene 10-% stopnje napake. Pri tem moramo upoštevati majhen nabor vhodnih podatkov. Metode globokega učenja se ob zastavljenem zahtevnem pogoju niso izkazale kot primerne za uporabo, iz pridobljenih informacij pa zaključujemo, da bodo metode najverjetneje uporabne v prihodnje, ko bo na voljo več podatkov, ki bodo tudi bolj kvalitetni.
Ključne besede: Garancijski podatki, Strojno učenje, Nevronske mreže, Globoko učenje, Python, Tensorflow
Objavljeno v DKUM: 14.09.2017; Ogledov: 4647; Prenosov: 793
Celotno besedilo (3,16 MB) |
