Prepoznavanje događaja primjenom strojnog učenja u ugradbenom mjernom sustavu

undergraduate thesis

• Title (english): Event recognition using machine learning in an embedded measurement system
• Author: Leonard Inkret
• Mentor: Marko Jurčević (mentor)
• Committee member: Marko Jurčević (predsjednik povjerenstva)
• Committee member: Jure Konjevod (član povjerenstva)
• Committee member: Ivan Leniček (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2023-07-07, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Ovaj završni rad, "Primjena TinyML-a u ugradbenim računalnim sustavima", fokusira se na istraživanje potencijala primjene sitnog strojnog učenja, poznatog kao TinyML, u domeni ugradbenih računalnih sustava. Rad pruža sveobuhvatan pregled trenutnog stanja i mogućnosti TinyML-a, posebno usmjeren na komercijalno dostupne ugradbene platforme koje podržavaju ovaj koncept. Glavni dio istraživanja posvećen je implementaciji sustava za detekciju prisutnosti koristeći TensorFlow Lite na Raspberry Pi platformi, čime se demonstrira učinkovitost i fleksibilnost ovog razvojnog okvira na resursno ograničenim uređajima. Rad prikazuje proces implementacije, treniranja i evaluacije senzorske mreže, ukazujući na izazove susretane tijekom tog procesa, što je rezultiralo nepotpunim rezultatima. Unatoč tome, rad pruža uvid u mogućnosti i izazove koje donosi TinyML u kontekstu ugradbenih računalnih sustava, nudi smjernice za buduće implementacije te ističe potencijalni doprinos ovog područja za sigurnost, praćenje okoline i industrijsku automatizaciju.

Abstract (english)

This thesis, "Application of TinyML in Embedded Computing Systems," focuses on exploring the potential of Tiny Machine Learning (TinyML) implementations within the realm of embedded computing systems. The work provides a comprehensive overview of the current state and capabilities of TinyML, with a special focus on commercially available embedded platforms that support this concept. The main part of the research is dedicated to the implementation of a occupancy detection system using TensorFlow Lite on a Raspberry Pi device, demonstrating the efficiency and flexibility of this development approach on resource-constrained devices. The paper outlines the process of implementing, training, and evaluating the sensor network, highlighting the challenges encountered during the process, which resulted in incomplete results. Despite this, the work provides insights into the opportunities and challenges brought by TinyML in the context of embedded computing systems, offers guidelines for future implementations, and underscores the potential contribution of this field to security, environmental monitoring, and industrial automation.

• Keywords: TinyML; senzorske mreže; detekcija anomalija; TensorFlow Lite; Raspberry Pi; detekcija prisutnosti
• Keywords (english): TinyML; sensor networks; anomaly detection; TensorFlow Lite; Raspberry Pi; occupancy detection
• Language: croatian
• URN:NBN: urn:nbn:hr:168:162987
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-07-13 10:07:15