Razpoznava sestavin hrane na robnih napravah z uporabo lahkih modelov globokega učenjaŠoln, Kristjan (Avtor) Perš, Janez (Mentor) Koporec, Gregor (Komentor) razpoznava sestavin hranerobne napravemikrokrmilnikilahki modeligloboko učenjekvantizacija modelovmagisterijiRazpoznava sestavin hrane na slikah je zahteven problem, zlasti kadar želimo modele izvajati neposredno na mikrokrmilnikih. Večina sorodnih pristopov problem obravnava kot semantično ali instančno segmentacijo, kar praviloma zahteva računsko in pomnilniško zahtevnejše modele, zato so takšne rešitve za robne naprave z zelo omejenimi viri pogosto neprimerne. V tem delu zato obravnavamo možnost uporabe lahkega modela FOMO, ki je bil prvotno zasnovan kot detekcijski model za mikrokrmilnike. Uporabili smo podatkovno zbirko FoodSeg103, model prilagodili za ugotavljanje prisotnosti sestavin na sliki ter ovrednotili vpliv poenostavitve podatkovne zbirke, izbire učnih nastavitev, sprememb vhodne in izhodne ločljivosti ter kvantizacije pri pripravi modela za izvajanje na platformi STM32. Kot referenčni segmentacijski pristop smo uporabili modele družine YOLOv11-seg, kvalitativno pa smo preverili tudi uporabnost metod SAM. Ugotovili smo, da je FOMO z vidika velikosti, porabe pomnilnika in izvedljivosti na mikrokrmilnikih ustrezen, vendar je njegova uspešnost pri zahtevnejši razpoznavi sestavin omejena. Med pomembnejšimi omejitvami so majhno receptivno polje, izhod z nizko ločljivostjo, omejena kapaciteta modela ter občutljivost na pripravo podatkov in naknadno obdelavo. Prispevek dela je eksperimentalna ocena primernosti takšnega pristopa za mikrokrmilnike ter izpeljava smernic za nadaljnje izboljšave.K. Šoln20262026-05-26 12:30:21Magistrsko delo/naloga182868UDK: 004.93:664(043.3)VisID: 63208COBISS_ID: 282403075sl