11. Napredne tehnologije in metodologije za pametno proizvodnjo : magistrsko deloAna Bedrač, 2023, magistrsko delo Opis: V magistrski nalogi je predstavljen koncept pametne proizvodnje. Predstavljene so ključne značilnosti, ki po mnenju različnih avtorjev oblikujejo pametno proizvodnjo. Obravnavanih je več primerov oz. konceptov pametne proizvodnje, pri čemer se podrobneje osredotočamo na opredelitev pametne proizvodnje po avtorju A. Kusiaku. Predstavljene so ključne tehnologije in metodologije, ki so že v uporabi ali pa imajo velik potencial, da se bodo še uveljavile. Magistrska naloga vključuje sodobne trende na področju pametne proizvodnje. Izpostavljene so tehnologije in metodologije, ki so trenutno najsodobnejše, še posebej pa napredne proizvodne tehnologije, strojno učenje in tudi blokovne verige v povezavi z ekonomijo strojev. Nekatere od predstavljenih tehnologij in metodologij so obravnavane na praktičnih primerih.
Ključne besede: pametna proizvodnja, umetna inteligenca, strojno učenje, globoko učenje, blokovne verige, ekonomija strojev, veliki podatki, kibernetsko-fizični sistem, digitalni dvojček, internet stvari, pametni materiali.
Objavljeno v DKUM: 09.03.2023; Ogledov: 700; Prenosov: 118
 Celotno besedilo (2,50 MB) |
12. |
13. Detekcija napak na odlitkih z globokim učenjem : magistrsko deloTomo Pšeničnik, 2022, magistrsko delo Opis: Cilj magistrske naloge je preučiti detekcijo napak na odlitkih z uporabo konvolucijskih
nevronskih mrež. Predstavljena je klasifikacija slik dobrih in slabih odlitkov, ki temelji na
globokem učenju. Za učenje nevronske mreže smo uporabili obstoječo zbirko podatkov,
ki vsebuje več kot 7000 slik. Za izdelavo programa smo uporabili okolje Matlab s pomočjo
Deep learning toolbox vmesnika. Izdelali smo model konvolucijske nevronske mreže,
izvedli učenje in prikazali rezultate. V drugem delu smo rezultate želeli izboljšati, zato
smo se poslužili tehnike s prenosnim učenjem. Našim potrebam smo prilagodili obstoječo
AlexNet arhitekturo, naložili zbirko podatkov in izvedli učenje nevronske mreže. Na koncu
prikažemo rezultate kot je klasifikacijska točnost modela. Delovanje modela preizkusimo
še na testni množici slik, katere niso bile vključene v proces učenja.
Ključne besede: Globoko učenje, detekcija napak, klasifikacija, konvolucijska nevronska
mreža, odlitek
Objavljeno v DKUM: 09.12.2022; Ogledov: 681; Prenosov: 61
Celotno besedilo (3,25 MB) |
14. Primerjava metod napada na globoke nevronske mreže z nasprotniškimi primeri in pristopov k zaščiti pred njimi : magistrsko deloRobi Novak, 2022, magistrsko delo Opis: Globoke nevronske mreže imajo ranljivosti, kot so nasprotniški primeri - neopazne namerne popačitve vhodnih podatkov, ki povzročijo neželeno spremembo izhoda. Ker so nasprotniški primeri prenosljivi, lahko popačitev tvorimo v scenariju črne škatle, brez da bi poznali strukturo ali uteži napadene mreže. V našem delu primerjamo več pristopov k napadu in zaščiti. Robustnost modela ovrednotimo glede na prepričanost v napačno klasifikacijo ter glede na statistično porazdelitev amplitud nasprotniških popačitev. Rezultati kažejo, da so amplitude uspešnih napadov tipično za en velikostni razred višje, če je napad izveden po scenariju črne škatle. Robustnost modela je odvisna od klasifikacijskega problema, arhitekture mreže ter pristopa k zaščiti. Za najbolj učinkovita napada sta se v scenariju bele škatle izkazala napada BIM in MI-FGSM, v scenariju črne škatle pa napada MI-FGSM in FGSM. Najučinkovitejša pristopa k zaščiti sta bila diskretizacija ter virtualno nasprotniško učenje. Pokazali smo tudi, da moramo za verodostojen preizkus učinkovitosti nasprotniškega učenja uporabiti napad, ki ni bil uporabljen v procesu učenja.
Ključne besede: globoko učenje, nasprotniški primeri, nevronske mreže, strojno učenje
Objavljeno v DKUM: 06.07.2022; Ogledov: 925; Prenosov: 164
Celotno besedilo (45,09 MB)
Gradivo ima več datotek! Več... |
15. Analiza učinkovitosti učenja s prenosom znanja pri detekciji objektov : magistrsko deloMitja Žalik, 2022, magistrsko delo Opis: Zaradi nedefiniranosti procesov odločanja globokih nevronskih mrež in njihovega dolgotrajnega učenja predstavlja določitev prenesenega znanja ključen izziv pri implementaciji učinkovite detekcije objektov na novih domenah. Preneseno znanje opredeljuje struktura plasti nevronske mreže, nad katerimi izgradimo nov model, ter izbira plasti, ki jim med učenjem zamrznemo vrednosti uteži. V magistrskem delu analiziramo vpliv števila zamrznjenih plasti na uspešnost učenja s prenosom znanja. V prvem delu opišemo tehnike prenosa znanja ter podamo formalno definicijo detekcije objektov, pri čemer opredelimo poznane metode in izpostavimo ključne izzive, povezane z njimi. Nato predstavimo izveden eksperiment, v katerem primerjamo uspešnost štirih konfiguracij pri prenosu znanja na modelu YOLOv4 na štiri različne ciljne domene. Ugotovimo, da so pri različnih ciljnih domenah uspešne različne konfiguracije, ki so odvisne od stopnje podobnosti izvorne in ciljne domene ter plasti izvornega modela, na kateri je določena značilka izluščena. Čeprav predstavljeni rezultati kažejo nemožnost predvidevanja optimalne konfiguracije prenosa znanja, izveden eksperiment nakazuje, da je učenje tudi v primeru neoptimalnega prenosa znanja uspešnejše od učenja brez prenosa znanja.
Ključne besede: učenje s prenosom znanja, prenos znanja, detekcija objektov, obdelava videoposnetkov, globoko učenje
Objavljeno v DKUM: 07.06.2022; Ogledov: 1027; Prenosov: 214
Celotno besedilo (16,36 MB) |
16. Primerjava različnih načinov učenja globokih nevronskih mrež v avtonomni vožnji : magistrsko deloAndraž Skupek, 2022, magistrsko delo Opis: V magistrskem delu opisujemo avtonomno vožnjo, algoritme za učenje avtonomnih vozil ter algoritme za razpoznavo prometnih znakov. Za implementacijo smo uporabili dva različna načina učenja avtonomnih vozil, in sicer posnemajoče učenje – za implementacijo katerega smo uporabili konvolucijske nevronske mreže, ter samoojačitveno učenje, kjer uporabljamo nevronsko mrežo, model pa se uči iz lastnih napak. Ob implementaciji avtonomnih vozil smo s pomočjo konvolucijskih nevronskih mrež implementirali tudi modele za razpoznavo prometnih znakov. Omenjene modele smo nato združili z algoritmi avtonomne vožnje in s tem dobili vozilo, ki se je sposobno v simulatorju samostojno premikati ter pospeševati ali zavirati glede na razpoznani prometni znak. Modele obeh načinov avtonomne vožnje testiramo na osmih različnih progah, kjer hitrost vožnje upravljamo tudi s pomočjo razpoznavalnika prometnih znakov. Modeli so uspešni, če uspešno prevozijo celotno progo. Rezultati naših modelov so uspešni, saj je kar nekaj modelov uspešno premagalo vseh osem prog.
Ključne besede: Avtonomna vožnja, globoko učenje, nevronske mreže, konvolucijske nevronske mreže
Objavljeno v DKUM: 14.03.2022; Ogledov: 1122; Prenosov: 188
Celotno besedilo (2,41 MB) |
17. Model inteligentnega nadzora obrabe in poškodb rezalnih orodij z uporabo termografijeNika Brili, 2021, doktorska disertacija 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 v DKUM: 22.11.2021; Ogledov: 1042; Prenosov: 175
Celotno besedilo (3,70 MB) |
18. Poslovni učinki rabe umetne inteligence v CRM na primeru rešitve SalesforceDenis 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 v DKUM: 20.10.2021; Ogledov: 1166; Prenosov: 132
Celotno besedilo (1,92 MB) |
19. Globoko okrepitveno učenje za igranje iger na podlagi video vhoda : magistrsko deloMonika 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 v DKUM: 20.10.2021; Ogledov: 974; Prenosov: 90
Celotno besedilo (2,16 MB) |
20. Metoda prilagodljivega uglaševanja slojev konvolucijskih nevronskih mrež pri strojnem učenju s prenosom znanja : doktorska disertacijaGrega 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 v DKUM: 19.10.2021; Ogledov: 1381; Prenosov: 309
Celotno besedilo (5,35 MB) |
