| | 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 - 7 / 7
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Odstranjevanje pegastega šuma iz slik SAR z uporabo globokega učenja
Tadej Habjanič, 2023, magistrsko delo

Opis: Postopek odstranjevanja pegastega šuma je neizogiben pri obdelavi slik z radarjem s sintetično odprtino (SAR). Obstaja več različnih metod za odstranjevanje pegastega šuma, vendar se je postopek s konvolucijsko nevronsko mrežo (CNN) izkazal kot zelo učinkovita metoda. Pri preprosti strukturi CNN se še vedno izgubi precejšnje število podrobnosti na sliki. Za rešitev tega problema je bila uporabljena arhitektura kodirnika – dekoderja. Model se uči s pristopom, ki temelji na veliki količini podatkov, z uporabo algoritma gradientnega spuščanja s kombinacijo spreminjanja ojačanja pri odstranjevanju šuma in funkcije izgube celotne variacije. Poskusi, izvedeni na realnih slikah, kažejo, da ta metoda dosega pomembne izboljšave v primerjavi z ostalimi metodami.
Ključne besede: pegasti šum, radar s sintetično odprtino, konvolucijska nevronska mreža, arhitektura kodirnik – dekodirnik
Objavljeno v DKUM: 06.02.2024; Ogledov: 66; Prenosov: 8
.pdf Celotno besedilo (12,83 MB)

2.
Napovedovalna analiza ravnanja kaljenih kovinskih obdelovancev : doktorska disertacija
Tadej Peršak, 2023, doktorska disertacija

Opis: V industriji se kovinski obdelovanci pogosto toplotno obdelujejo z namenom poboljšanja njihovih mehanskih lastnosti, pri čemer pa se pojavljajo neželene deformacije njihove geometrije. Zaradi dosežene visoke trdote (60 HRC ali več) klasični pristopi ravnanja z upogibanjem in valjanjem niso učinkoviti, saj se material poruši. V ta namen smo se v okviru doktorske raziskave ukvarjali z analizo vpliva plastičnih površinskih deformacij na spremembe geometrije kaljenih kovinskih obdelovancev. Izveden je bil laboratorijski eksperiment, v katerem smo na podlagi nadzorovanega vnosa površinskih plastičnih deformacij, visokoresolucijskega zajema geometrije obdelovancev, merjenja pospeškov ter zajema zvoka ravnalnih udarcev (udarci, ki plastično deformirajo površino obdelovanca) pripravili bazo podatkov s 3063 vzorci. Dodatno smo zajemali zvočne odzive nadzorovanih udarcev, ki ne deformirajo površine obdelovanca. Z uporabo U-Net nevronske mreže smo razvili model za napovedovanje spremembe geometrije kaljenega kovinskega obdelovanca glede na vnesene plastične površinske deformacije. V nadaljevanju smo predlagali novo arhitekturo globoke konvolucijske mreže za regresijo, ki omogoča dva vhoda različnih podatkovnih tipov in dimenzij (zvok ravnalnega udarca in reprezentacija geometrije obdelovanca z vključenimi podatki o ravnalnih udarcih) ter večdimenzionalni izhod (napovedana sprememba geometrije obdelovanca). Prav tako smo z uporabo globoke nevronske mreže razvili model, ki izključno na podlagi zvoka nadzorovano izvedenih udarcev, ki ne deformirajo površine obdelovanca, učinkovito napove geometrijo kovinskega obdelovanca. Uspešnost razvitih napovednih modelov smo ocenili z relativno absolutno napako (angl. relative absolute error (RAE)), povprečno kvadratno napako (angl. root mean squared error (RMSE)) in relativno kvadratno napako (angl. relative squared error (RSE)). Najuspešnejši model za napovedovanje oblike obdelovanca je imel na testnih podatkih odlično zmogljivost napovedovanja, saj so povprečne vrednosti RAE znašale 0,0499, RMSE 0,0129 in RSE 0,0040. Pri vključitvi zvoka v napovedovalni model so vrednosti RAE znašale 0,0739, RMSE 0,0185 in RSE 0,0075. Pri napovedi oblike obdelovanca samo iz zvoka pa so povprečne vrednosti RAE znašale 0,7439, RMSE 0,1744 in RSE 0,5638.
Ključne besede: proces ravnanja, kaljeni obdelovanec, proizvodnja, konvolucijska nevronska mreža, modeliranje, oblak točk, zvok
Objavljeno v DKUM: 06.10.2023; Ogledov: 393; Prenosov: 0

3.
Detekcija napak na odlitkih z globokim učenjem : magistrsko delo
Tomo 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: 497; Prenosov: 37
.pdf Celotno besedilo (3,25 MB)

4.
Konvolucijske nevronske mreže za odkrivanje napak s pomočjo zvoka : magistrsko delo
Gorazd 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: 928; Prenosov: 124
.pdf Celotno besedilo (1,97 MB)

5.
Globoko učenje in igra dama : diplomsko delo
Jan Popič, 2019, diplomsko delo

Opis: V zaključnem delu smo zasnovali računalniški program AlphaLady, ki se je sposoben naučiti igranja igre dama brez vnosa človeškega znanja. Za dosego tega smo uporabili vzpodbujevalno učenje, drevesno preiskovanje Monte Carlo in globoke konvolucijske mreže za ocenitev posameznih stanj v igri. Predstavili smo programe Alpha Go, AlphaGo Zero in AlphaZero, na podlagi katerih je zasnovan naš program. Opisali smo uporabljeno ogrodje in teoretično ozadje uporabljenih pristopov. Uspelo nam je naučiti 9 različic programa, pri čemer je vsaka naslednja različica enakovredna ali boljša kot prejšnja.
Ključne besede: umetna inteligenca, globoko učenje, konvolucijska nevronska mreža, drevesno preiskovanje Monte Carlo, vzpodbujevalno učenje, igra dama
Objavljeno v DKUM: 13.11.2019; Ogledov: 1735; Prenosov: 236
.pdf Celotno besedilo (749,47 KB)

6.
Prepoznavanje aktivnosti osebe iz zaporedja slik s pomočjo konvolucijskih nevronskih mrež
Mihael Baketarić, 2018, diplomsko delo

Opis: V diplomskem delu smo se ukvarjali s prepoznavanjem aktivnosti osebe iz zaporedja slik. Omejili smo se na aktivnosti: stoji, sedi, leži, hitro hodi, počasi hodi in pada. Pregledali smo obstoječe postopke prepoznavanja, pripravili množico podatkov, preučili konvolucijske nevronske mreže in jih uporabili pri reševanju našega problema. Naš algoritem je sestavljen iz dveh korakov: iz izločevanja oseb iz slik in prepoznavanja aktivnosti. Oba koraka smo implementirali z uporabo konvolucijskih nevronskih mrež in analizirali rezultate. Za učenje in testiranje smo uporabili lastno podatkovno zbirko, ki je vsebovala video posnetke 6-ih različnih oseb, ki so izvajali vseh šest aktivnosti. Na veliko slikah oseba ni bila pravilno izločena oz. detektirana, zato se je naša množica podatkov občutno zmanjšala po odstranitvi takšnih slik. Naš postopek smo preverili s 6-kratno navzkrižno validacijo. Povprečna uspešnost prepoznavanja aktivnosti je bila 36 %, kar seveda ni dovolj visoko za realne aplikacije. Ugotavljamo, da se pri rezultatih prepoznavanja aktivnosti močno pozna dejstvo, da v našem postopku nismo upoštevali časovne komponente oz. rezultatov prepoznav na predhodnih slikah.
Ključne besede: računalniški vid, konvolucijska nevronska mreža, globoko učenje, detekcija oseb, prepoznavanje aktivnosti osebe
Objavljeno v DKUM: 19.10.2018; Ogledov: 1752; Prenosov: 258
.pdf Celotno besedilo (1,55 MB)

7.
Avtomatsko nastavljanje parametrov segmentacijske metode aplikacije virtualna tipkovnica s pomočjo nevronske mreže
Aljaž Javornik, 2017, diplomsko delo

Opis: V tem diplomskem delu smo nadgradili izhodiščno aplikacijo Virtualna tipkovnica, ki je namenjena zaznavanju pritiska tipke v nadzorovanih okoliščinah s pomočjo interakcijske površine in vanjo usmerjene kamere. Preučili in implementirali smo metode, ki omogočajo avtomatizirano nastavljanje parametrov segmentacijske metode za izhodiščno aplikacijo. S tem smo izboljšali njeno delovanje v spremenljivih osvetlitvenih razmerah ter ob uporabi drugačnih ozadij interakcijske površine. Preučili in implementirali smo tudi tehnike predobdelave slik ter možnosti segmentacije s pomočjo konvolucijskih nevronskih mrež. Razvili in implementirali smo naslednje rešitve: i) model RGB smo nadomestili z barvnim modelom HSV, ii) rešitev z uporabo metode fotometrične normalizacije, imenovane eno-nivojski retineks, ter iii) rešitev, kjer segmentacijo izvedemo s pomočjo globoke nevronske mreže. Vse nadgradnje osnovne aplikacije Virtualna tipkovnica smo validirali z množico eksperimentov, v katerih smo variirali osvetlitev, oddaljenost svetila, ozadje interakcijske površine ter uporabnika. Kot najuspešnejši nadgradnji sta se izkazali uporaba konvolucijskih nevronskih mrež in morfološka operacija odpiranja.
Ključne besede: virtualna tipkovnica, segmentacija slik, nevronska mreža, globoka nevronska mreža, konvolucijska nevronska mreža, kompenzacija osvetlitve, predobdelava, eno-nivojski retineks
Objavljeno v DKUM: 28.02.2017; Ogledov: 1632; Prenosov: 182
.pdf Celotno besedilo (2,65 MB)

Iskanje izvedeno v 0.17 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici