Bu öğeden alıntı yapmak, öğeye bağlanmak için bu tanımlayıcıyı kullanınız:
http://elartu.tntu.edu.ua/handle/lib/49671| Title: | Розробка інтелектуальної системи формування дизайну пляшкових корків на базі штучного інтелекту igence |
| Other Titles: | Development of an Intelligent System for Bottle Cap Design Generation Based on Artificial Intell |
| Authors: | Кравець, Владислав Вікторович Kravets, Vladyslav |
| Affiliation: | Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії. Кафедра комп’ютерно-інтегрованих технологій |
| Bibliographic description (Ukraine): | Кравець В.В. Розробка інтелектуальної системи формування дизайну пляшкових корків на базі штучного інтелекту :робота на здобуття кваліфікаційного ступеня бакалавра : спец. 151 — автоматизація та комп’ютерно-інтегровані технології / наук. кер. І. С. Дідич. Тернопіль : Тернопільський національний технічний університет ім. І. Пулюя , 2025. 60 с. |
| Issue Date: | 26-jún-2025 |
| Date of entry: | 9-júl-2025 |
| Publisher: | Тернопіль, ТНТУ |
| Country (code): | UA |
| Place of the edition/event: | Тернопільський національний технічний університет ім. І. Пулюя |
| Institution defense: | ЕК №20, 2025 р. |
| Supervisor: | Дідич, Ірина Степанівна Didych, Iryna |
| Committee members: | Капаціла, Юрій Богданович Kapatsila, Yuriі |
| UDC: | 004.03.8 |
| Keywords: | генеративні моделі автоматизація дизайну штучний інтелект lora дизайн нейронні мережі пляшкові корки stable diffusion генерація зображень generative models artificial intelligence lora neural networks design stable diffusion bottle corks design automation image generation |
| Number of pages: | 60 |
| Abstract: | Кравець В.В. – Розробка інтелектуальної системи формування дизайну пляшкових корків на базі штучного інтелекту. 151 – «Автоматизація та комп’ютерно-інтегровані технології» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2025. Кваліфікаційна робота присвячена розробленню повноцінного циклу створення дизайну: формування датасету, налаштування середовища розробки у Google Colab, навчання генеративної моделі з LoRA, створення Gradio-інтерфейсу для інтерактивної генерації зображень. Запропонована система дозволяє користувачу задавати текстовий опис (prompt), на основі якого модель синтезує нові зразки дизайну, зберігаючи ключові ознаки стилю вихідних даних. Kravets V.V. – Development of an Intelligent System for Bottle Cap Design Generation Based on Artificial Intelligence. 151 - "Automation and computer-integrated technologies" - Ternopil Ivan Puluj National Technical University. - Ternopil, 2025. The qualification work is devoted to the development of a full-fledged design cycle: forming a dataset, setting up a development environment in Google Colab, training a generative model with LoRA, creating a Gradio interface for interactive image generation. The proposed system allows the user to set a text description (prompt), based on which the model synthesizes new design samples, preserving the key features of the original data style. |
| Description: | Роботу виконано на кафедрі ком’пютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України Захист відбудеться 26 червня 2025 р. о 09.00 годині на засіданні екзаменаційної комісії № 20 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул.Руська, 56, навчальний корпус №1, ауд. 403 |
| Content: | ВСТУП 6 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 8 1.1 Технологія виготовлення термоусадочних ковпачків 8 1.2 Основні напрями застосування ШІ в дизайні упаковок 15 1.3 Порівняння сучасних методів генерації зображень 18 РОЗДІЛ 2. ПРОЕКТНА ЧАСТИНА 22 2.1 Постановка задачі та визначення вимог до системи 22 2.2 Архітектура інтелектуальної системи генерації дизайнів 23 2.3 Підготовка та попередня обробка навчальної вибірки 26 2.4 Створення навчального набору даних LoRA 28 2.5 Організація середовища розробки у Google Colab 29 2.6 Проведення процесу навчання нейронної мережі 31 2.7 Реалізація генерації дизайнів за допомогою Gradio-інтерфейсу 32 РОЗДІЛ 3. СПЕЦІАЛЬНА ЧАСТИНА 36 3.1 Технологія донавчання LoRA: особливості та переваги 36 3.2 Аналіз отриманих результатів генерації зображень 38 3.3 Оцінка якості та точності згенерованих дизайнів 48 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 50 4.1 Характеристика шкідливих факторів виробничого середовища 50 4.2 Забезпечення безпеки життєдіяльності при роботі з ПК 52 ВИСНОВКИ 57 ПЕРЕЛІК ПОСИЛАНЬ 59 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/49671 |
| Copyright owner: | © Кравець В. В., 2025 |
| References (Ukraine): | 1. Haykin S. Neural Networks - A Comprehensive Foundation - Simon Haykin.pdf. McMaster University, Hamilton, Ontario, Canada, 2006. P. 823. 2. N. Richard: Applied regression analysis, third ed., John Wiley & Sons, New York, 1998 3. Philip D. Wasserman. Neural Computing: Theory and Practice, New York: Coriolis Group (Sd), 1989 4. K. Gurney: An introduction to neural networks, first ed., Taylor & Francis Group, London, 1997 5. R. Rombach, A. Blattmann, D. Lorenz, P. Esser and B. Ommer, "High-Resolution Image Synthesis with Latent Diffusion Models," 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), New Orleans, LA, USA, 2022, pp. 10674-10685, doi: 10.1109/CVPR52688.2022.01042. 6. Hu, Edward & Shen, Yelong & Wallis, Phillip & Allen-Zhu, Zeyuan & Li, Yuanzhi & Wang, Shean & Chen, Weizhu. (2021). LoRA: Low-Rank Adaptation of Large Language Models. 10.48550/arXiv.2106.09685. 7. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. 8. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. 9. Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85-117. 10. Deng, L., & Yu, D. (2014). Deep learning: methods and applications. Foundations and Trends® in Signal Processing, 7(3–4), 197-387. 11. Karpathy, A., & Fei-Fei, L. (2015). Deep visual-semantic alignments for generating image descriptions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3128-3137). 12. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language models are unsupervised multitask learners. OpenAI blog, 1(8), 9. 13. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. In Advances in neural information processing systems (pp. 5998-6008). 14. Brock, A., Donahue, J., & Simonyan, K. (2019). Large scale GAN training for high fidelity natural image synthesis. In International Conference on Learning Representations. 15. Oleh Yasniy, Abdellah Menou, Andriy Mykytyshyn, Vitalii Kubashok, Iryna Didych (2024). Application of neural network platforms for text-based image generation. Ceur Workshop Proceedings, 2024, 3842, pp. 232–240 16. Yasniy, O., Mykytyshyn, A., Didych, I., Kubashok, V., & Boiko, A. (2023). Application of artificial intelligence to improve the work of educational platforms. In ITTAP (pp. 605-609). 17. Karras, T., Aila, T., Laine, S., & Lehtinen, J. (2019). A style-based generator architecture for generative adversarial networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4401-4410). 18. OpenAI. (2023). DALL-E 3: Creating Images from Text. Retrieved from https://openai.com/dall-e-3 |
| Content type: | Bachelor Thesis |
| Ebben a gyűjteményben: | 151 — Автоматизація та компʼютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка (бакалаври) |
Fájlok a dokumentumban:
| Fájl | Leírás | Méret | Formátum | |
|---|---|---|---|---|
| KRB_Kravets_V_2025.pdf | Кваліфікаційна робота бакалавра | 2,15 MB | Adobe PDF | Megtekintés/Megnyitás |
Minden dokumentum, ami a DSpace rendszerben szerepel, szerzői jogokkal védett. Minden jog fenntartva!
Yönetim Araçları