| | 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 / 48
Na začetekNa prejšnjo stran12345Na 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: 61; Prenosov: 6
.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: 391; Prenosov: 0

3.
Inteligentni nadzor obrabe rezalnega orodja s spremljanjem toka na glavnem vretenu : magistrsko delo
Niko Turšič, 2023, magistrsko delo

Opis: V magistrski nalogi je predstavljen sistem za nadzor rezalnega orodja, ki temelji na sledenju toka na glavnem vretenu z uporabo umetne nevronske mreže. Glavni namen aplikacije je razširiti vpogled, ki ga ima operater v stanje orodja med delovanjem stružnice CNC. Program za analizo lahko nemoteno deluje paralelno na procesnem računalniku in prejema podatke preko podatkovnega omrežja s krmilnika stružnice. V delu so predstavljeni proces zajemanja podatkov za učno bazo umetne nevronske mreže tipa Long-Short Term Memory, arhitektura in učenje nevronske mreže, ki je uporabljena v tej aplikaciji, ter validacija naučenega modela z umetno inteligenco na novih podatkih. Prav tako sta predstavljena tudi izdelava in delovanje programa, ki se lahko izvaja na procesnem računalniku za potrebe pomožne diagnostike orodja.
Ključne besede: tok na glavnem vretenu, nevronska mreža, nadzor obrabe orodja, LSTM, umetna inteligenca
Objavljeno v DKUM: 05.10.2023; Ogledov: 191; Prenosov: 20
.pdf Celotno besedilo (4,61 MB)

4.
Metoda za izboljšanje prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov z uporabo lokalnih meritev in satelitskih slik : doktorska disertacija
Jernej Cukjati, 2023, doktorska disertacija

Opis: V doktorski disertaciji predstavimo novo metodo za izboljšavo prostorsko-časovne ločljivosti okoljskih geoprostorskih podatkov. Geoprostorske podatke pogosto dobimo tudi iz meritev, ki jih zajamemo z lokalnimi ali s satelitskimi senzorji. Pomanjkljivost teh zajemov so redki lokalni senzorji in nizka časovna ločljivost satelitskih slik. Prostorsko in časovno ločljivost izboljšamo s souporabo podatkov iz meritev obeh podatkovnih virov. Najprej opazovano območje razdelimo v mrežo pikslov in nad lokalnimi senzorji sestavimo Voronoijev diagram. Središča Voronoijevih celic ustrezajo lokacijam lokalnih senzorjev, ki v danem časovnem trenutku vračajo veljavne izmerjene vrednosti. Za nabor pikslov znotraj vsake posamezne Voronoijeve celice zgradimo ločene regresijske modele s strojnim učenjem. Razlagalne spremenljivke regresijskih modelov so pretekli podatki iz meritev lokalnih senzorjev trenutno izbrane Voronoijeve celice in njenih sosed, ciljne vrednosti pa so iz izbranega nabora pikslov satelitskih slik. Po izračunu vrednosti okoljske spremenljivke v vseh pikslih na opazovanem območju dobimo geolocirano rastrsko sliko okoljske spremenljivke. Predlagano metodo smo uporabili na podatkih meritev lokalnih senzorjev in satelitskih slik toplogrednega plina NO2. Regresijske modele smo zgradili s tremi metodami: algoritmom najbližjih sosedov, linearno regresijo in večplastno naprej usmerjeno nevronsko mrežo. Najvišjo točnost smo dosegli z nevronsko mrežo. Predlagano metodo smo primerjali s petimi referenčnimi metodami, ki so bile predstavljene v zadnjih treh letih. Te metode so: geografsko-časovno obtežena nevronska mreža, prilagodljiva grafovska konvolucijska povratna nevronska mreža, časovna grafovska konvolucijska nevronska mreža z mehanizmom pozornosti, nevronska mreža za izmenjevanje sporočil, združena z mrežami dolgega kratkoročnega spomina, in globoko ansambelsko strojno učenje. Po točnosti je najboljše rezultate dala naša metoda. Najbolj se nam je približala metoda, sestavljena iz nevronske mreže za izmenjavo sporočil in nevronske mreže z dolgim kratkoročnim spominom. Od te smo bili točnejši za približno 5 %.
Ključne besede: računalništvo, strojno učenje, k-najbližji sosedje, linearna regresija, naprej usmerjena nevronska mreža, daljinsko zaznavanje
Objavljeno v DKUM: 02.10.2023; Ogledov: 290; Prenosov: 48
.pdf Celotno besedilo (5,61 MB)

5.
Interpretacija odločitev nevronske mreže z metodo lime : diplomsko delo
Kristijan Dajčman, 2023, diplomsko delo

Opis: V diplomskem delu interpretiramo odločitve globokih nevronskih mrež za analizo sentimenta slovenskih in angleških besedil z metodo LIME. Nevronske mreže veljajo za črne škatle, saj je težko pojasniti njihove odločitve s samimi utežmi, kar predstavlja težave pri posvojitvi takšnih modelov v situacijah, kjer je pomembna transparentnost in zanesljivost odločitev. Problem črnih škatel lahko rešimo z metodami interpretiranja, kot je LIME, ki pojasni odločitev črne škatle z lokalnim nadomestkom. V tem delu interpretiramo napovedi treh nevronskih mrež z metodo LIME in poskušamo na podlagi interpretacij razložiti delovanje nevronskih mrež.
Ključne besede: LIME, razložljiva umetna inteligenca, nevronska mreža, analiza sentimenta
Objavljeno v DKUM: 21.09.2023; Ogledov: 214; Prenosov: 18
.pdf Celotno besedilo (2,88 MB)

6.
Zaznava in lociranje malin z uporabo YOLO algoritma : magistrsko delo
Urban Kenda, 2023, magistrsko delo

Opis: V magistrskem delu smo raziskali delovanje LiDAR senzorjev ter uporabo umetne inteligence v strojnem vidu, vključno z nevronskimi mrežami, konvolucijskimi nevronskimi mrežami (CNN) in algoritmi YOLOv3, v4 in v4-tiny. V praktičnem delu smo testirali vse tri algoritme in nato izbrali najuspešnejšega, YOLOv4, ter ga dodatno analizirali. Preverili smo hitrost algoritmov ter razvili algoritem, ki je na podlagi oblakov točk in kamere sposoben določiti lokacijo malin. Ugotovili smo, da je uporaba LiDAR senzorjev v kombinaciji z umetno inteligenco učinkovita pri zaznavanju in lociranju malin v 3D-prostoru. Najuspešnejši algoritem YOLOv4 je bil sposoben razvrstiti zrele in nezrele maline z natančnostjo 84,13 %. Naš razviti algoritem je omogočil določanje lokacije malin s kombinirano uporabo oblakov točk in kamere ter tako skoraj v polovici izmerjenih primerov določil lokacijo z napako, manjšo od 2 cm.
Ključne besede: malina, strojni vid, YOLO, nevronska mreža, CNN, oblak točk
Objavljeno v DKUM: 15.06.2023; Ogledov: 328; Prenosov: 52
.pdf Celotno besedilo (1013,36 KB)

7.
Sistem za prikazovanje nevronskih mrež v 3D in realnem času 3D neurovis : magistrsko delo
Matevž Celcer, 2023, magistrsko delo

Opis: V zaključnem delu je predstavljen naš produkt 3D Neurovis, primerjava s podobni deli in tehnologija, ki je bila uporabljena. Namen tega projekta je bil ustvariti program, ki uspešno vizualizira delovanje nevronskih mrež. Program vizualizira nevronske mreže v realnem času in v 3D. Odkrili smo, da ni veliko projektov, ki prikazujejo vse lastnosti nevronskih mrež v realnem času, kot so nevronska dinamika, nevronska plastičnost, nevronska struktura in nevronski spomin. Prav tako ni dosti projektov, ki so kompatibilni s ROS sistemom. Naš produkt naslavlja to pomanjkanje. Projekt je zamišljen kot nadgradnja predhodnika Neurovis.
Ključne besede: Nevronska mreža, ROS, Vizualizacija, Vizualizacija nevronskih mrež, Nevronske mreže in roboti
Objavljeno v DKUM: 07.06.2023; Ogledov: 264; Prenosov: 28
.pdf Celotno besedilo (3,22 MB)

8.
Segmentacija slik celic z algoritmi globokega učenja : magistrsko delo
Gregor Gorjanc, 2022, magistrsko delo

Opis: V magistrskem delu smo se spoznali s problematiko sladkorne bolezni, ki se odraža z nepravilnim obnašanjem celic beta v trebušni slinavki. Seznanili smo se s postopkom označevanja slik Langerhansovih otočkov, ki vsebujejo celice beta. S ciljem avtomatizacije procesa ročnega označevanja slik smo se odločili za uporabo globoke nevronske mreže za segmentacijo slik. Po analizi podatkovnih množic in preobrazbi slikovnih vrst s postopki agregacije v obliko, primerno za strojno učenje slik, smo s pomočjo nenadzorovanega učenja naučili nevronsko mrežo W-Net in ovrednotili rezultate. Mreža je uspešno identificirala zanimiva območja na slikah, vendar s premalo natančnostjo in prevelikimi območji lažno pozitivnih slikovnih točk.
Ključne besede: segmentacija slik, nenadzorovano učenje, W-Net, nevronska mreža, celice beta
Objavljeno v DKUM: 23.01.2023; Ogledov: 521; Prenosov: 94
.pdf Celotno besedilo (10,66 MB)

9.
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: 496; Prenosov: 37
.pdf Celotno besedilo (3,25 MB)

10.
Nevronski model rezalnih sil za proces frezanja : magistrsko delo
Uroš Žurman, 2022, magistrsko delo

Opis: V magistrski nalogi so opisani modeli za napovedovanje rezalnih sil in principe delovanja nevronskih mrež. V osrednjem delu so predstavljeni trije umetni nevronski modeli za napovedovanje rezalne sile. Za primerjavo je bil narejen statistični model linearne regresije za napovedovanje rezalne sile. Nevronski modeli so bili narejeni s programom MATLAB, model linearne regresije pa z Microsoft Excel. Na koncu so predstavljeni rezultati treh modelov nevronske mreže in statističnega modela linearne regresije.
Ključne besede: frezanje, umetna nevronska mreža, regresijska analiza, rezalne sile
Objavljeno v DKUM: 26.10.2022; Ogledov: 403; Prenosov: 41
.pdf Celotno besedilo (2,37 MB)
Gradivo ima več datotek! Več...

Iskanje izvedeno v 0.22 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici