20.500.12556/RUL-183748 Razvoj detektorja kovin in klasifikacija tipa kovin z metodami strojnega učenja Metal Detector Development and Machine Learning Based Metal Classification 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. This thesis presents the development of a pulse-induction metal detector prototype based on the ESP32-S3 platform and the use of machine learning for metal-type classification from a time-domain response. The measurement system uses an external 12-bit ADS7883 analog-to-digital converter to capture an 800-sample damped response after a coil excitation pulse. The acquired signals were used to build a dataset with 7,000 samples and 350 groups. The dataset contains five classes: Air, Al, Cu, Fe, and cumix (a copper alloy). Several signal preprocessing variants and a one-dimensional convolutional neural network (1D-CNN) architecture, cnn_small, were evaluated. The best model on the stored test set is the raw-input model, stored in the artifacts as cnn_small_raw_v1, which achieves a test accuracy of 0.7940 and a macro F1 score of 0.7971. The raw signal representation preserves the absolute shape and amplitude of the response, but practical transfer to ESP32-S3 acquisition must account for differences between the stored dataset and live acquisition. Therefore, the practical embedded candidate is the two-channel normalization and RMS model, stored as esp32_cnn_small_two_channel_norm_rms_v1_float32. It reaches a test accuracy of 0.7570 with a macro F1 score of 0.7576. The main finding is that the best model on the stored benchmark data is not necessarily the best embedded candidate. Model selection for an embedded system must consider not only test accuracy, but also preprocessing robustness, consistency between computer-based training and embedded software implementation, and sensitivity to small signal timing shifts. pulzno-indukcijski detektor kovin ESP32-S3 ADS7883 časovni odziv 1D-CNN TensorFlow Lite Micro klasifikacija kovin. pulse-induction metal detector ESP32-S3 ADS7883 time-domain response 1D-CNN TensorFlow Lite Micro metal classification. true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-06-18 08:40:01 2026-06-18 08:40:11 2026-06-29 12:06:05 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 62831 282942211 Zanjkovic_Kaj_-_Razvoj_detektorja_kovin_in_klasifikacija_tipa_kovin_z_metodami_strojnega_ucenja.pdf Zanjkovic_Kaj_-_Razvoj_detektorja_kovin_in_klasifikacija_tipa_kovin_z_metodami_strojnega_ucenja.pdf 1 A9389A0846E4F9FA5973F8A7F4A0CBE6 648500bdcde44a20f49d84a9e2c9e929e31d8c6ba20e689bc635a824e83fc2b2 7dc8c9ae-6ae0-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=235905 Fakulteta za elektrotehniko 0 0 0