20.500.12556/RUL-182868 Razpoznava sestavin hrane na robnih napravah z uporabo lahkih modelov globokega učenja Ingredient recognition on Edge devices using lightweight deep learning models Razpoznava 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. Recognizing food ingredients in images is a challenging problem, particularly when models are intended for direct deployment on microcontrollers. Most related approaches formulate the problem as semantic or instance segmentation, which generally requires models with higher computational and memory demands, making such solutions often unsuitable for highly resource-constrained edge devices. This thesis therefore investigates the feasibility of using FOMO, a lightweight model, originally designed as a detection model for microcontrollers. We used the FoodSeg103 dataset, adapted the model to determine the presence of ingredients in an image, and evaluated the effects of dataset simplification, training settings, changes in input and output resolution, and quantization when preparing the model for deployment on the STM32 platform. Models from the YOLOv11-seg family were used as reference segmentation approaches, and the applicability of SAM methods was also assessed qualitatively. We found that FOMO is suitable in terms of model size, memory consumption, and feasibility of deployment on microcontrollers, but its performance remains limited for more demanding ingredient recognition tasks. The main limitations include a small receptive field, low-resolution output, limited model capacity, and sensitivity to data preparation and post-processing. The contribution of this thesis is an experimental assessment of the suitability of such an approach for microcontrollers and the derivation of guidelines for further development. razpoznava sestavin hrane robne naprave mikrokrmilniki lahki modeli globoko učenje kvantizacija modelov magisteriji food ingredient recognition edge devices microcontrollers lightweight models deep learning model quantization true false false K. Šoln Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-05-26 12:30:21 2026-05-26 12:30:32 2026-06-22 13:19:21 0000-00-00 00:00:00 2026 0 Ljubljana 2026 Ljubljana 1 spletni vir (1 datoteka PDF (94 str.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.93:664(043.3) 63208 282403075 Soln_Kristjan_-_Razpoznava_sestavin_hrane_na_robnih_napravah_z_uporabo_lahkih_modelov_globokega_.pdf Soln_Kristjan_-_Razpoznava_sestavin_hrane_na_robnih_napravah_z_uporabo_lahkih_modelov_globokega_.pdf 1 50E7924D6E768BDE84D1F3A8412D46C1 2beec6f658d179f7151171134ccd2360bec0a2d2e7b5229a5d221c67ff9835e0 9fcf75cf-58ed-11f1-b0ab-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=234492 Fakulteta za elektrotehniko 0 0 0