Laboratorní rotační model pro účely rozpoznávání předmětů

Abstract

Práce se věnuje návrhu a realizaci laboratorního pracoviště pro automatizovanou klasifikaci strojních součástí pomocí metod hlubokého učení. V teoretické části jsou analyzovány principy konvolučních neuronových sítí a jsou popsány architektury AlexNet a GoogLeNet. Praktickým výstupem práce je mechatronický model rotační plošiny poháněný DC motorem s L298N můstkem. Řízení a sběr dat zajišťuje mikropočítač Raspberry Pi 5 v součinnosti s prostředím MATLAB, kde byla vytvořena uživatelská aplikace v App Designeru pro reálný monitoring a ovládání. Experimentální část práce se zaměřuje na vytvoření vlastní datové sady pro devět typů součástí a následné srovnání úspěšnosti klasifikace a výpočetní náročnosti mezi sítěmi AlexNet, GoogLeNet a MobileNetV2. Výsledkem je funkční systém dosahující vysoké přesnosti rozpoznávání v reálném čase.

This thesis focuses on the comprehensive design and implementation of a laboratory workstation for automated classification of machine components using deep learning methods. The theoretical part analyses the principles of convolutional neural networks and provides a detailed description of the AlexNet and GoogLeNet architectures. The practical output is a mechatronic rotational platform model driven by a DC motor with an L298N H-bridge. Control and data acquisition are managed by a Raspberry Pi 5 unit in conjunction with MATLAB, featuring a custom application developed in App Designer for real-time monitoring and control. The experimental section focuses on creating an original dataset of nine component types and subsequently comparing classification accuracy and computational performance among AlexNet, GoogLeNet, and MobileNetV2 networks. The result is a functional system achieving high recognition accuracy in real-time.