Razvoj detektorja kovin in klasifikacija tipa kovin z metodami strojnega učenjaZanjkovič, Kaj (Avtor) Meža, Marko (Mentor) pulzno-indukcijski detektor kovinESP32-S3ADS7883časovni odziv1D-CNNTensorFlow Lite Microklasifikacija kovin.Diplomsko delo obravnava razvoj prototipa pulzno-indukcijskega detektorja kovin na platformi ESP32-S3 in uporabo strojnega učenja za klasifikacijo tipa kovine iz časovnega odziva. Merilni sistem uporablja zunanji 12-bitni analogno-digitalni pretvornik ADS7883, ki po vzbujalnem pulzu tuljave zajame 800-vzorčni časovni odziv dušenega signala. Na podlagi zajetih signalov je bil pripravljen podatkovni sklop s 7.000 vzorci in 350 skupinami. Vključeni so razredi Air, Al, Cu, Fe in cumix, pri čemer cumix označuje bakreno zlitino. V nalogi so bile preizkušene različne predobdelave signala in arhitektura 1D konvolucijske nevronske mreže (ang. one-dimensional convolutional neural network, 1D-CNN) cnn_small. Najboljši model pri vrednotenju na shranjenem testnem sklopu je model s surovim vhodom, v artefaktih označen kot cnn_small_raw_v1, ki doseže točnost 0,7940 in makro F1 0,7971. Surova predstavitev signala ohrani največ informacij o absolutni obliki in amplitudi odziva, vendar je pri praktičnem prenosu na ESP32-S3 treba upoštevati razliko med shranjenim podatkovnim sklopom in zajemom v živo. Zato je kot praktični kandidat za vgrajeno izvedbo obravnavan dvokanalni model z normalizacijo in RMS predstavitvijo, v artefaktih označen kot esp32_cnn_small_two_channel_norm_ rms_v1_float32. Ta model doseže točnost 0,7570 in makro F1 0,7576. Glavna ugotovitev je, da najboljši model pri vrednotenju na shranjenem testnem sklopu ni nujno tudi najboljši kandidat za vgrajeno izvedbo. Pri izbiri modela za vgrajeni sistem je treba poleg testne točnosti upoštevati robustnost predobdelave ter skladnost izvedbe med računalniškim učenjem in vdelano programsko opremo.20262026-06-18 08:40:01Diplomsko delo/naloga183748VisID: 62831COBISS_ID: 282942211sl