Professional paper
Primjena metoda strojnog učenja za prepoznavanje i očitavanje trenutnog stanja strujnog brojila
Maja Risek
; Međimursko veleučilište u Čakovcu
*
Bruno Trstenjak
orcid.org/0000-0003-3114-9484
; Međimursko veleučilište u Čakovcu
*
* Corresponding author.
Abstract
Ručno očitavanje brojila, koje je i dalje često prisutno u praksi, podložno je pogreškama i usporava obradu podataka. Ovaj rad predstavlja razvoj konvolucijske neuronske mreže (CNN) za automatizirano prepoznavanje znamenki na digitalnim brojilima čime se rješava problem pogrešaka i sporosti ručnoga očitanja. Model razvijen u Pythonu treniran je na vlastitom skupu od 5 500 originalnih slika znamenki sa stvarnoga brojila snimljenih u različitim uvjetima. Kroz predprocesiranje i augmentaciju, skup podataka je proširen na 55 000 slika u sivoj skali. Evaluacijom je potvrđena visoka preciznost i robusnost razvijenoga CNN modela, čak i na neviđenim i izazovnim slikama. Model učinkovito prepoznaje znamenke, a njegova je prednost sposobnost detekcije vlastite nesigurnosti pri predviđanju. Aplikacija interpretira ovu nesigurnost kao potencijalnu pogrešku, vizualno je signalizira korisniku i preporučuje dodatnu provjeru, čime se osigurava visoka pouzdanost cijeloga sustava. Razvijeni model ima značajnu primjenu u mobilnim aplikacijama za automatizirano očitanje brojila. Za daljnje unaprjeđenje predlaže se obogaćivanje skupa podataka novim, izazovnim realnim fotografijama, čime bi se poboljšala generalizacijska sposobnost modela i smanjila potreba za ljudskom intervencijom.
Keywords
CNN; strojno učenje; računalni vid; digitalna brojila; Python
Hrčak ID:
344629
URI
Publication date:
23.12.2025.
Visits: 181 *