završni rad (stručni)
Električne sheme sastavni su dio struke inženjera elektrotehnike. Uobičajena metoda prilikom izrade elaborata je crtanje električne sheme na papiru pa u kasnijim stadijima analize precrtavanje iste sheme u simulacijski program po izboru. Proces precrtavanja shema smanjuje efikasnost, oduzima vrijeme te potencijalno dovodi do ljudske greške. Intencija za automatiziranjem procesa se čini od velike koristi u svrhu uklanjanja potrebe za precrtavanjem te postavljanjem sheme u stanje spremno za simulaciju. Grana računalne znanosti koja nudi rješenje navedenog problema je umjetna inteligencija. Strojno učenje kao jedna od grana umjetne inteligencije obuhvaća i duboko učenje. Duboko učenje je vrsta strojnog učenja temeljenog na umjetnim neuronskim mrežama u kojima se višestruki slojevi obrade koriste za progresivno izdvajanje značajki više razine iz sirovih ulaznih podataka.
Cilj ovog rada je implementacijom unaprijed obučenog modela YOLOv5 postići klasifikaciju ključnih elemenata iz električne sheme poput čvorova, izvora, otpornika, zavojnica, kondenzatora i sl. Nadalje, uporabom programskog jezika Python za analizu i logičko procesiranje klasificiranih objekata ostvariti digitaliziranu shemu u simulacijskom programu LTspice.
električna shema; duboko učenje; skup podataka; YOLOv5 model; konvolucijska neuronska mreža; Python; LTspice
Razvojem virtualizacijskih tehnologija raste kompleksnost IT sustava, dok korisnici istovremeno zahtijevaju brži pristup resursima, napredne integracije i jednostavnost korištenja. Jedno od ključnih rješenja za ove izazove primjena je…
Ovaj rad istražuje i uspoređuje mogućnosti prosljeđivanja grafičkih kartica na Hyper-V i KVM hipervizorima prema virtualnim strojevima, detaljno opisujući metode, postupke i razlike u arhitekturi koje utječu na…
The ever-growing usage and adaptation of HTTP/3 in web traffic leverages Quick UDP Internet Connections (QUIC) as a transport protocol. QUIC is widely recognized for reduced latency, enhanced…