<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=170524"><dc:title>Klasifikacija slik s konvolucijskimi nevronskimi mrežami na platformi Siemens Industrial Edge</dc:title><dc:creator>SENICA,	SVEN	(Avtor)
	</dc:creator><dc:creator>Murovec,	Boštjan	(Mentor)
	</dc:creator><dc:subject>konvolucijska nevronska mreža</dc:subject><dc:subject>binarna klasifikacija slik</dc:subject><dc:subject>računalniški vid</dc:subject><dc:subject>Siemens Industrial Edge</dc:subject><dc:subject>Siemens Tia Portal</dc:subject><dc:description>V magistrski nalogi sta opisana postopek učenja in testiranja konvolucijske nevronske mreže za binarno klasifikacijo slik izbrane podatkovne zbirke. Glavni namen naloge je predstavitev in promocija sistema Siemens Industrial Edge, zato smo se lotili ločevanja dveh vizualno podobnih razredov čivav in mafinov ter prenosa odločitve na industrijski kartezični manipulator, ki ploščice s slikami pravilno razvršča v realnem času.

Predlagana rešitev je sestavljena iz dveh delov: segmentacije slike, pri kateri ločimo slike mafinov in čivav od ozadja, ter klasifikacije s konvolucijsko nevronsko mrežo. Naredili smo pet različnih arhitektur konvolucijskih nevronskih mrež, ki združujejo konvolucijske in združevalne sloje z ustreznimi aktivacijskimi funkcijami. Optimizacijo hiperparametrov smo izvedli z algoritmom Adam, s katerim smo empirično potrdili stabilno in učinkovito konvergenco modelov. Izbrani model smo nato integrirali v okolje Siemens Industrial Edge z uporabo paketa AI Software Development Kit. Pri implementaciji smo uporabili aplikacije Vision Connector, AI Inference Server, Flow Creator in SIMATIC S7 Connector. Rezultat klasifikacije se posreduje programirljivemu logičnemu krmilniku, ki nadzoruje kartezični manipulator in s tem samodejno razvršča slike v prepoznani razred.

Glavni cilji magistrske naloge so: izdelava konvolucijske nevronske mreže za binarno klasifikacijo na izbrani podatkovni zbirki, eksperimentalna analiza delovanja konvolucijske nevronske mreže ter raziskave vpliva različnih parametrov in arhitekturnih prilagoditev na njeno zmogljivost. Dodaten namen je integracija in testiranje razvitega sistema na Siemensovi platformi Industrial Edge.

Končni model s štirimi konvolucijskimi sloji doseže okvirno točnost rahlo pod  99 % na testnem naboru slik, pri čemer je celotna latenca od zajema slike do mehanskega pobiranja manjša od 200 ms. S projektom so bili doseženi vsi zastavljeni cilji.</dc:description><dc:date>2025</dc:date><dc:date>2025-07-08 11:50:01</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>170524</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>