Sistemi za prepoznavanje jedi postaja atraktivo in koristno raziskovalno področje, saj omogoča objektivno merjenje prehranjevanja ljudi. To je pomembno z vidika preučevanja prehranjevanja in sledenja različnim dietnim režimom na nivoju posameznika, da bi dosegli določene zdravstvene cilje. Primerjali smo obstoječe sisteme prepoznavanja jedi, ki delujejo na mobilnih napravah. Vsak sistem smo analizirali tako, da smo proces razpoznavanja jedi razdelili na 6 stopenj: zajem slike, procesiranje slike, segmentacija slike, izločanje značilk, klasifikacija slike in ocenjevanje volumna. S pomočje te analitične primerjave smo sisteme za prepoznavanje hrane razdelili na naslednje kategorije: sistemi za beleženje, sistemi za predlaganje in klinični sistemi. Vsaka od teh kategorij je namenjena različnemu scenariju uporabe, kar omogoča identifikacijo tistih funkcionalnih lastnosti, ki jih mora posamezni sistem ponuditi.
F.30 Strokovna ocena stanja
COBISS.SI-ID: 1538556099V članku predstavimo novo, kompleksno in javno dostopno bazo za razpoznavanje na osnovi beločnice ter na njej naredimo analizo najboljših modelov. Pomembnost skupine, ki stoji za tem delom, se odraža tudi v članku s tekmovanja na temo segmentacije beločnice v letu 2020 [COBISS.SI-ID 53460483], ki smo ga organizirali na prestižni konferenci s področja biometrije.
F.15 Razvoj novega informacijskega sistema/podatkovnih baz
COBISS.SI-ID: 1538534595V času COVID-19 je postalo vprašanje pravilno nošene obrazne maske zelo pomembno. Članek predlaga celovito rešitev, ki odgovarja na to vprašanje v realnem času z zelo visoko zanesljivostjo. Rešitev je javno dostopna. Kot vabljena aplikativna rešitev je bila predstavljena tudi na mednarodni konferenci v Južni Koreji.
F.17 Prenos obstoječih tehnologij, znanj, metod in postopkov v prakso
COBISS.SI-ID: 53569795Članek je predstavil novo dvo-stopenjsko segmentacijsko arhitekturo globokega učenja, ki je zasnovana za detekcijo in segmentacijo površinskih napak z uporabo popolnoma nadzorovanega učenja. Kot vhod v metodo podamo slike površin ter segmentacijske maske napak, na izhodu pa dobimo za vsako sliko odločitev ali vsebuje napako ali ne, poleg tega pa tudi segmentacijsko masko, ki lokalizira napako na sliki. Metoda temelji na segmentaciji slike v prvem delu, ki je nato nadgrajen s klasifikacijsko glavo za sprejemanje končne odločitve. Primerjava z drugimi sorodnimi metodami globokega učenja, vključno z najsodobnejšo komercialno programsko opremo, je pokazala, da predlagani pristop presega sorodne metode. To je prikazano na novo ustvarjeni zbirki podatkov iz praktičnega primera nadzora kakovosti KSDD, na kateri je predlagana metoda dosegla odlične rezultate. S strani raziskovalne skupnosti je bil izkazan zelo velik interes za to delo, tako za objavljeno izvorno kodo, kot tudi za javno objavljeno zbirko slik, ki jo je preneslo že preko 6600 raziskovalcev. Predlagano metodo smo nato še nadgradili v enovit pristop, s katerim smo dosegli popolne rezultate na zbirkah DAGM in KSDD, brez napačnih detekcij. Opis nadgrajene metode in rezultatov smo objavili na konferenci International Conference on Pattern Recognition 2020. Metodo smo v sodelovanju z industrijskimi partnerji tudi že preizkusili na praktičnih problemih, kjer dosega obetavne rezultate.
F.13 Razvoj novih proizvodnih metod in instrumentov oz. proizvodnih procesov
COBISS.SI-ID: 1538225859V članku smo obravnavali vprašanje detekcije in razpoznavanja velikega števila kategorij predmetov, ki smo ga aplicirali na problem detekcije in razpoznavanja prometnih znakov. Pristop s konvolucijsko nevronsko mrežo Mask R-CNN je bil prilagojen za obravnavo celotnega cevovoda detekcije in razpoznavanja z avtomatskim in enovitim postopkom učenja. Več predlaganih izboljšav je bilo evalviranih na problemu detekcije 200 kategorij prometnih znakov iz na novo zajete podatkovne zbirke. Fokus evalvacije je bil na detekciji zahtevnejših kategorij prometnih znakov, ki še niso bile obravnavane v sorodnih delih. Obsežna analiza metod globokega učenja za zaznavanje prometnih znakov z veliko variacijo izgleda znotraj kategorije je pokazala na maksimalno 3% napako, s čimer je presegla rezultate sorodnih del.
F.17 Prenos obstoječih tehnologij, znanj, metod in postopkov v prakso
COBISS.SI-ID: 1538227907