| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


1 - 10 / 26
Na začetekNa prejšnjo stran123Na naslednjo stranNa konec
1.
Model inteligentnega nadzora obrabe in poškodb rezalnih orodij z uporabo termografije
Nika Brili, 1987, katalog

Opis: Nadzor obrabe rezalnega orodja pri struženju prispeva k izboljšanju kakovosti izdelkov, optimizaciji stroškov orodja in zmanjšanju števila neželenih dogodkov. Pri maloserijski in posamični proizvodnji se operater stroja na podlagi izkušenj odloča, kdaj zamenjati rezalno orodje. Slabe odločitve lahko vodijo do povišanja stroškov, zastojev proizvodnje in izmeta. V disertaciji smo predstavili sistem nadzora stanja rezalnega orodja, ki med in po struženju samodejno prepozna obrabo rezalnega orodja. Za nadzor procesa smo uporabili infrardečo (IR) kamero, ki za razliko od uporabe navadnih industrijskih kamer ne spremlja zgolj vizualnega stanja procesa, ampak zajema še termografsko stanje. Kljub zahtevnemu okolju (vroči ostružki) smo kamero ustrezno zaščitili in namestili tik ob rezalno ploščico, kar omogoča spremljanje obdelave iz neposredne bližine. Material smo obdelovali z različno obrabljenimi rezalnimi ploščicami in ustvarili bazo 18.486 slik, ki so bile namenjene učenju in testiranju modela. Z uporabo globokega učenja in konvolucijske nevronske mreže (CNN) smo razvili napovedni model obrabe in poškodb rezalnega orodja. Pripravljeno bazo slik smo razdelili na slike, ki so nastale med procesom struženja (slike procesa), in na slike, ki so nastale po struženju (termografske slike rezalnega orodja). Ugotovili smo, da je model uspešen na obeh bazah slik. Naučen model na podlagi termografske slike procesa samodejno razvrsti stanje rezalnega orodja glede na primernost za nadaljnjo uporabo pri struženju (brez obrabe, majhna obraba, velika obraba). Točnost klasifikacije za združeno množico vseh slik je 99,92 % in potrjuje ustreznost predlagane metode. Model smo testirali tudi na nepoznanih slikah (spremenjeni obdelovalni pogoji), s čimer smo z več kot 98 % točnostjo klasifikacije potrdili robustnost naučenega sistema pri uporabi za nepoznani material obdelovanca. Takšen sistem omogoča takojšnje ukrepanje v primeru obrabe ali zloma rezalnega orodja, ne glede na znanje in usposobljenost operaterja.
Ključne besede: umetna inteligenca, globoko učenje, Industrija 4.0, odrezavanje, rezalna orodja, struženje, obraba orodja, termografija
Objavljeno: 22.11.2021; Ogledov: 39; Prenosov: 9
.pdf Celotno besedilo (3,70 MB)

2.
Poslovni učinki rabe umetne inteligence v CRM na primeru rešitve Salesforce
Denis Gönc, 2021, magistrsko delo

Opis: V magistrskem delu smo preučili rabo umetne inteligence (AI) v najbolj napredni rešitvi za upravljanje odnosov s strankami (CRM) Salesforce. Na konkurenčnem trgu kombinacija CRM-rešitve in AI omogoča, da podjetja izstopajo od povprečja in postanejo učinovitejša pri poslovanju ter zmanjšajo svoje stroške. Prodajnikom se s tem pristopom olajša delo, saj AI daje priporočila za najboljši naslednji korak, pripomore k oblikovanju nadzornih plošč in vpogledov ter omogoča izdelavo raznih napovednih modelov. Zaradi avtomatizacije se lahko osredotočajo na druga bolj pomembna opravila. CRM-rešitve so že v osnovi zelo napredne, vendar dodatek AI izboljša njihove zmogljivosti in podjetjem omogoča, da presežejo zastavljene cilje. V prvem delu magistrske naloge smo najprej preučili AI, predstavili njeno zgodovino, opisali področja rabe in najbolj znane ponudnike. Preučili smo tudi okrepitev varnosti in predpostavke različnih znanstvenikov o njenem razvoju v prihodnosti. V nadaljevanju smo preučili CRM-rešitve, njihove značilnosti, prednost in slabosti, zgodovino, trende ter opisali tudi njene največje ponudnike . V drugem delu smo opisali vodilno CRM-rešitev Salesforce, predstavili njene produkte, opisali skupne stroške lastništva teh produktov in utemeljili, zakaj spada med najbolj priljubljene CRM-rešitve na svetu. V nadaljevanju smo opisali Einstein AI, ki je vgrajena v jedro platforme Salesforce in s svojim naborom rešitev zagotavlja napredne zmogljivosti. Na koncu smo opisali 12 študij primerov, s katerimi smo ugotavljali, kako podjetja iz različnih panog uporabljajo Einstein AI v vodilni CRM-rešitvi in kakšne rezultate so s tem dosegli.
Ključne besede: umetna inteligenca, upravljanje odnosov s strankami, CRM, salesforce, Einstein AI, strojno učenje, globoko učenje, oblačna rešitev, študije primerov, poslovni učinki.
Objavljeno: 20.10.2021; Ogledov: 97; Prenosov: 11
.pdf Celotno besedilo (1,92 MB)

3.
Globoko okrepitveno učenje za igranje iger na podlagi video vhoda
Monika Bozhinova, 2021, magistrsko delo

Opis: V magistrskem delu smo se ukvarjali z okrepitvenim učenjem agentov za igranje računalniških iger. V ta namen smo implementirali tri modele agenta, ki temeljijo na uporabi nevronske mreže za aproksimacijo funkcije vrednosti akcij, in predlagali lastno izboljšano arhitekturo dvobojevalne dvojne Q-mreže. Učenje smo izvajali na igrah Pong in Beamrider iz nabora iger Atari 2600. Ugotovili smo, da z našim pristopom dosežemo boljšo zmogljivost agenta kot globoka Q-mreža, dvojna globoka Q-mreža in dvojna globoka Q-mreža z dvobojevalno arhitekturo v igri Pong, medtem ko se v igri Beamrider agent uči počasneje, predvidoma zaradi šuma v drugačni predstavitvi stanja, ki ga predlagani model uporablja.
Ključne besede: globoko okrepitveno učenje, nevronske mreže, globoka Q-mreža, dvobojevalna arhitektura, igre Atari, Pong, Beamrider
Objavljeno: 20.10.2021; Ogledov: 98; Prenosov: 23
.pdf Celotno besedilo (2,16 MB)

4.
Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja
Grega Vrbančič, 2021, doktorska disertacija

Opis: V doktorski disertaciji predstavimo problematiko izbire uglaševanih slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja. Z izvedeno analizo vpliva izbire uglaševanih slojev konvolucijske nevronske mreže na uspešnost učenja potrdimo domnevo, da je primerna izbira uglaševanih slojev s ciljem doseganja visoke klasifikacijske uspešnosti odvisna od izbrane arhitekture konvolucijske nevronske mreže ter ciljnega problema oz. izbrane podatkovne zbirke. Z namenom naslovitve problema izbire uglaševanih slojev razvijemo in predlagamo prilagodljivo metodo DEFT, ki temelji na algoritmu diferencialne evolucije in deluje popolnoma samodejno, ne glede na uporabljeno arhitekturo konvolucijske nevronske mreže ali ciljni problem. Zaradi velike časovne kompleksnosti predlagane metode v nadaljevanju razvijemo in predlagamo na funkciji izgube temelječo metriko LDM, ki v zgodnji fazi učenja uspešno zaznava manj primerne izbire uglaševanih slojev, kar nam omogoča, da za zaznane manj primerne izbire uglaševanih slojev predčasno zaključimo učenje in na tak način zmanjšamo časovno zahtevnost predlagane metode. Uspešnost predlagane metode ovrednotimo z uporabo treh različnih arhitektur globokih konvolucijskih mrež nad tremi raznolikimi slikovnimi podatkovnimi zbirkami. Klasifikacijsko uspešnost predlagane metode z in brez uporabe metrike LDM smo primerjali s klasičnimi pristopi učenja globokih konvolucijskih nevronskih mrež. Primerjavo izvedemo z uporabo najpogostejših klasifikacijskih metrik, časom, potrebnim za učenje, ter porabljenim številom epoh. Rezultate smo preverili z uporabo klasičnih metod statistične analize kot tudi z naprednim pristopom Bayesove analize. Izsledki slednje so potrdili tezo, da je mogoče z uporabo metode prilagodljivega uglaševanja slojev konvolucijske nevronske mreže uspešno nasloviti problem izbire slojev ter da lahko z uporabo metrike LDM za zaznavo manj primernih izbir uglaševanih slojev učinkovito zmanjšamo število epoh, potrebnih za učenje, ob doseganju primerljivih rezultatov.
Ključne besede: strojno učenje, globoko učenje, učenje s prenosom znanja, klasifikacija, uglaševanje, optimizacija
Objavljeno: 19.10.2021; Ogledov: 161; Prenosov: 21
.pdf Celotno besedilo (5,35 MB)

5.
Prepoznavanje objektov iz satelitskih slik z metodami globokega učenja na vgrajeni napravi
Martin Domajnko, 2021, diplomsko delo

Opis: V diplomskem delu rešujemo problem prepoznavanja prometa iz satelitskih slik. Cilj je bil uporabiti metode globokega učenja, pognati modele na izbranih vgrajenih napravah in doseči povprečno natančnost vsaj 75 % pri hitrosti izvajanja 5 sličic na sekundo. Za eksperiment uporabimo modela Faster R-CNN in SSD iz knjižnic Detectron2 ter TensorFlow Object Detection API. Fazi učenja in testiranja izvedemo na satelitskih slikah baze podatkov xView, katere predhodno razdelimo na učno in testno množico. Na učni množici izvedemo tudi bogatenje slik. Naučene modele preizkusimo na grafičnih karticah Nvidia GeForce GTX 970 ter Nvidia Titan X Pascal, na procesorju Intel Core i7-4790 in na vgrajenih napravah Intel Neural Compute Stick 2 ter Nvidia Jetson TX2. Preizkuse izvedemo s pomočjo skript napisanih v programskem jeziku Python3. Te izvozijo modele v posebno zamrznjeno stanje, jih optimizirajo za izvajanje na izbrani napravi in izmerijo njegovo hitrost ter natančnost. Najvišjo povprečno natančnost 37,33 % dosežemo z modelom Faster R-CNN iz knjižnice Detectron2. Z modelom SSD iz knjižnice TensorFlow Object Detection API na grafični kartici Nvidia GeForce GTX 970 dosežemo povprečno hitrost izvajanja 84,5 sličic na sekundo. Demonstrirana rešitev v diplomskem delu je primerna za izvajanje na vgrajenih napravah, a žal ni dovolj natančna. Za doseganje boljših rezultatov moramo našo rešitev izvajati na hitrejši strojni opremi, ki podpira večje ter s tem natančnejše modele.
Ključne besede: strojno učenje, globoko učenje, vgrajene naprave, prepoznavanje objektov, satelitske slike, računalniški vid
Objavljeno: 18.10.2021; Ogledov: 67; Prenosov: 10
.pdf Celotno besedilo (34,13 MB)

6.
Razvoj sistema za pretvorbo besedil v govor z globokimi nevronskimi mrežami
Matevž 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: 18.10.2021; Ogledov: 62; Prenosov: 15
.pdf Celotno besedilo (3,01 MB)

7.
Napovedovanje verjetnosti neplačila z nevronskimi mrežami
Urban Rajter, 2021, magistrsko delo

Opis: Umetna inteligenca se nanaša na teorijo in razvoj računalniških sistemov, ki lahko opravljajo naloge, ki običajno zahtevajo človeško inteligenco. Podskupina strojnega učenja je globoko učenje, kjer se umetne nevronske mreže, algoritmi, ki jih navdihujejo človeški možgani, učijo iz velikih količin podatkov. Podobno, kot se ljudje učimo iz izkušenj, bi algoritem globokega učenja večkrat ponovil isto nalogo in jo vsakič nekoliko prilagodil, da bi izboljšal rezultat. V tej magistrski nalogi so predstavljene nevronske mreže, tipi nevronskih mrež in njihova uporaba. Podrobneje je opisana uporaba nevronskih mrež za namene napovedovanja verjetnosti neplačila. Uporabljen je model globoke nevronske mreže na anonimiziranih podatkih podjetja. Opisan je postopek priprave podatkov in postopek učenja modela na vhodnih podatkih. Analiza končnega rezultata pove, da je uporaba nevronskih mrež smiselna, saj algoritem nudi visoko natančnost.
Ključne besede: strojno učenje, nevronske mreže, globoko učenje, globoke nevronske mreže, kreditno tveganje
Objavljeno: 02.08.2021; Ogledov: 216; Prenosov: 27
.pdf Celotno besedilo (1,95 MB)

8.
Prepoznava prstov s pomočjo globokega učenja
Robert 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: 21.06.2021; Ogledov: 557; Prenosov: 32
.pdf Celotno besedilo (5,33 MB)

9.
Razvoj sistema detekcije objektov za avtonomna vozila z uporabo tehnologije LiDAR
Peter Fekonja, 2021, magistrsko delo

Opis: V magistrskem delu je predstavljena uporaba LiDAR sistemov in globokega učenja v kontekstu avtonomnih vozil. Delo vključuje teoretično in eksperimentalno delo. V teoretičnem delu predstavimo aktualne rešitve za razvoj LiDAR sistemov, najpogosteje uporabljene pristope za globoko učenje in metode obdelave LiDAR točkovnih oblakov z nevronskimi mrežami. Prav tako so predstavljeni aktualni senzorski sistemi na trenutni generaciji avtonomnih vozil, podatkovne baze namenjene učenju nevronskih mrež za uporabo v avtonomnih vozilih in trenutna generacija nizkocenovnih LiDAR senzorjev. V eksperimentalnem delu naloge je podrobno predstavljena zmogljivost Livox Mid-40 LiDAR sistema ter njegova uporaba v lastni rešitvi za detekcijo objektov v prometu. Podrobno je predstavljen razvoj lastne nevronske mreže kot klasifikatorja, razvoj lastnega pristopa za lokalizacijo objektov in primerjava naših rešitev z že obstoječimi pristopi. Naš pristop k lokalizaciji objektov je dosegal boljše ali primerljive rezultate z obstoječimi metodami, v kombinaciji z našim klasifikatorjem pa bistveno slabše rezultate od trenutnih enovitih modelov nevronskih mrež s prenosom znanja.
Ključne besede: LiDAR, Livox Mid-40, avtonomna vozila, globoko učenje, klasifikacija, lokalizacija
Objavljeno: 01.03.2021; Ogledov: 505; Prenosov: 46
.pdf Celotno besedilo (8,28 MB)

10.
Ocenjevanje starosti osebe na osnovi digitalnih posnetkov z uporabo konvolucijskih nevronskih mrež
Tilen Krel, 2021, magistrsko delo

Opis: Magistrsko delo se ukvarja z ocenjevanjem starosti osebe na osnovi digitalnih posnetkov z uporabo konvolucijskih nevronskih mrež. Razvit in implementiran je bil lasten model konvolucijske nevronske mreže za ocenjevanje starosti osebe iz digitalnega posnetka. Kot osnova za naš model je bila uporabljena in modificirana obstoječa arhitektura konvolucijske nevronske mreže VGG-Face, namenjena razpoznavanju obrazov. Za učenje in testiranje sta bili uporabljeni bazi podatkov IMDB-WIKI in FG-NET. Na bazi podatkov IMDB-WIKI je bila dosežena povprečna napaka med dejansko in ocenjeno starostjo 6,7 leta, na bazi podatkov FG-NET pa z validacijsko metodo »izpusti-eno-osebo« izračunana povprečna napaka med dejansko in ocenjeno starostjo 3,9 leta. Dobljeni rezultati so primerljivi oziroma le malo zaostajajo za najuspešnejšimi metodami za ocenjevanje starosti osebe z digitalnega posnetka. Na tej osnovi se naš model ocenjuje kot primeren za uporabo v produkcijskih rešitvah.
Ključne besede: računalniški vid, konvolucijske nevronske mreže, globoko učenje, ocenjevanje starosti
Objavljeno: 17.02.2021; Ogledov: 334; Prenosov: 45
.pdf Celotno besedilo (1,01 MB)

Iskanje izvedeno v 0.16 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici