Uporaba modela U-Net na rentgenskih slikah za razpoznavanje poškodb predmetovČERNE, BOR (Avtor) Dobrišek, Simon (Mentor) pred obdelava slikmodel nevronskega omrežjanapovedovanjePyTorchV tem dokumentu je opisan postopek izdelave zaključnega dela na prvi stopnji visokošolskega strokovnega študija na fakulteti za elektrotehniko v Ljubljani. Cilj zaključnega dela je razpoznava napak pri predmetih na rentgenskih slikah. Predstavljajmo si, da je pred nami predmet, ki na zunaj izgleda popolnoma nepoškodovan in po predpisih. Pri takem bi si sigurno mislili, da je zmožen iti na prodajno police oziroma v dnevno uporabo. Kaj pa če je predmet od znotraj poškodovan, odkrušen, ipd.? Predmeta ne moremo odpreti, ker je iz enega kosa in ga ne moremo kar odpreti in pogledati vanj, zato tukaj nastane težava. Obstajajo pa tehnološke rešitve, ki so zmožne rešiti ta problem. To je uporaba metod računalniškega in strojnega vida, ki se razvijajo na področju umetne inteligence. Ampak kako bi videli notranjost? To se lahko izvede z zajemom rentgenske slike predmeta. Sprva je bilo potrebno pridobiti slike za podatkovno bazo s katero lahko začnemo učiti stroj. Te slike se je pridobilo z rentgenskim zajemom. Sprva je potrebno osnovne slike programersko izboljšati z različnimi filtri, da je možno iz njih razbrati čim več. Po tem se na slikah izvede maskiranje, saj izvajamo segmentacijo in je potrebno označiti kateri del nas zanima, da se ga stroj nauči napovedovati.. Za programski jezik, ki je bil za ta projekt v uporabi pri programiranju filtrov ter modela nevronskega omrežja, je bil izbran Python, za knjižnico, strojnega učenja pa PyTorch. Model, kateri je bil uporabljen za to delo je U-Net, saj kaže ene izmed najboljših rezultatov za segmentacijo slik. To se je tudi videlo pri rezultatih učenja, ki in kasnejši napovedi z tem modelom nevronskega omrežja. Rezultati napovedi so bili na koncu kar uspešni, vendar zaradi težavnosti vhodnih slik in natančnosti mask je uspešnost malo manjša kot željeno. Izguba se je manjšala z vsako iteracijo pri učenju kar nam je dalo vedeti, da se model U-Net trenira na vhodnih podatkih. Kljub temu, da so vhodne slike težavne, je napovedovalni čas zelo majhen, okoli 0.01s, kar je za uporabo v realnem svetu zelo uporabno.20222022-09-13 12:10:13Diplomsko delo/naloga140232VisID: 61026COBISS_ID: 121534723sl