Izvedba metode strojnog učenja za razlikovanje izvora akustičkih emisija u biljnim tkivima na ugradbenom sustavu niske potrošnje

master's thesis

• Title (english): Implementation of a Machine Learning Method for Differentiation of Acoustic Emisssion Sources in Plant's Tissues on Low-power Embedded System
• Author: Renato Gracin
• Mentor: Dinko Oletić (mentor)
• Committee member: Dinko Oletić (predsjednik povjerenstva)
• Committee member: Darko Vasić (član povjerenstva)
• Committee member: Davorin Ambruš (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2022-07-07, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Unutar ksilema biljke tijekom stanja vodenog stresa formiraju se mjehurići zraka ili kavitacije. Pucanjem mjehurića emitiraju se ultrazvučne akustične emisije (UAE). Općenito UAE mogu biti uzrokovane različitim prirodnim procesima unutar biljke. Raspoznavanje emisija uzrokovanih kavitacijom izrazito je korisno kod sustava za pametno navodnjavanje. Nedavnim istraživanjima razvijene su akustične metode u svrhu raspoznavanja različitih izvora UAE. Unutar ovog rada razvijena je metodologija prepoznavanja prirodnih grupa unutar skupa podataka UAE koje potencijalno odgovaraju pojedinim izvorima UAE. Odrađuje se ekstrakcija značajki UAE pomoću kojih se definiraju grupe. Početna analiza skupa značajki odrađuje se analizom principalnih komponenti. Grupiranje se odrađuje na temelju gustoće skupa značajki OPTICS algoritmom i gradijentnim grupiranjem. Uspješnost grupiranja za sve podskupove značajki procjenjuje se modificiranim DBCV algoritmom za validaciju grupiranja. Koristi se selekcija značajki na temelju ocjena grupiranja podskupova značajki od 3 dimenzije za izbor optimalnog podskupa značajki UAE. Izabrani podskup značajki formira distinktne grupe UAE koje potencijalno odgovaraju različitim izvorima UAE. Ekstrakcija te grupiranje optimalnog podskupa značajki implementira se na ugradbenom procesoru porodice Arm Cortex-M STM32L4. Ugradbene verzije algoritama prilagođene su za rad u stvarnom vremenu i sekvencionalni način rada. Završno provjerava se točnost ugradbene implementacije te analizira se trajanje izvođenja te potrošnja algoritma u obliku broja izvedenih instrukcija.

Abstract (english)

Air bubbles or cavitations form inside the plant's xylem during a state of water stress. Bubble bursts emit ultrasonic acoustic emissions (UAE). In general, UAE can be caused by various natural processes within plants. Identification of emissions caused by cavitation is extremely useful in smart irrigation systems. Recent research has developed acoustic methods to identify different UAE sources. In this paper a methodology has been developed for identifying natural clusters within the UAE dataset that potentially correspond to individual UAE sources. Feature extraction is performed on UAE dataset. The initial feature set analysis is done by principal component analysis. OPTICS and gradient clustering is performed based on the density of the feature set. Clustering performance for all feature subsets is analyzed by a modified DBCV clustering validation algorithm. Feature selection is performed based on clustering validation score of all 3-dimensional feature sets to select the optimal UAE feature subset. The selected feature subset forms distinct UAE clusters that potentially correspond to different UAE sources. Feature extraction and clustering of the optimal feature subset is implemented on the embedded processor family Arm Cortex-M STM32L4. Embedded versions of the algorithms are adapted for real-time operation and sequential mode. Finally, the accuracy of the embedded implementation is checked and the execution duration and consumption of algorithms are analyzed in the form of number of instructions cycles.

• Keywords: pametno navodnjavanje; akustičke emisije; kavitacija; strojno učenje; selekcija značajki; OPTICS; ekstrakcija značajki; ugradbeni sustav
• Keywords (english): smart irrigation; acoustic emissions; cavitation; machine learning; feature selection; OPTICS; feature extraction; embedded system
• Language: croatian
• URN:NBN: urn:nbn:hr:168:342211
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 08:51:14