<?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=188222"><dc:title>Avtomatizacija procesa sortiranja svilenih kokonov s pomočjo strojnega učenja</dc:title><dc:creator>Spačal,	Petja	(Avtor)
	</dc:creator><dc:creator>Podržaj,	Primož	(Mentor)
	</dc:creator><dc:subject>strojno učenje</dc:subject><dc:subject>avtomatizacija</dc:subject><dc:subject>kamera</dc:subject><dc:subject>strojni vid</dc:subject><dc:subject>klasifikacija slik</dc:subject><dc:subject>svileni kokoni</dc:subject><dc:description>Trenutno se v Evropi iz več razlogov spet vzpostavlja pridelava svile. Ker je proces proizvodnje svile časovno potraten, ga je potrebno kar se da avtomatizirati. Eden od procesov je sortiranje svilenih kokonov po kvaliteti in napakah, na katerega smo se  osredotočili. V nalogi smo razvili stroj in program, za avtomatizirano sortiranje kokonov. Pri tem smo uporabili strojno učenje. Za učenje modelov smo uporabili slike svilenih kokonov in maso le teh. Strojno učenje smo implementirali z več algoritmi, kot so: naključni gozdovi, linearna metoda podpornih vektorjev, metoda podpornih vektorjev z jedrom, stohastični gradientni spust z jedrom, algoritem k-tih najbližjih sosedov in model YOLO26n v kombinaciji z logistično regresijo. Iz eksperimentalnih rezultatov smo razbrali, da se je najbolje odnesla metoda podpornih vektorjev z jedrom, s katero dosežemo natančnost 96 \%. Enaka natančnost je dosežena tudi z našim prilagojenim modelom YOLO26n, ko ga spremenimo tako, da kot vhod upošteva tudi maso. Najvišja storilnost stroja je znašala 15 kokonov na minuto.</dc:description><dc:publisher>[P. Spačal]</dc:publisher><dc:date>2026</dc:date><dc:date>2026-09-19 08:30:49</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>188222</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>
