UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
O B J A V L J U J E
Kandidat Eldar Imširović, bachelor inž. el., javno će braniti završni magistarski rad pod nazivom „Segmentacija pojedinačnih objekata u robotskoj 2D viziji“u petak,13.02.2026. godine u 12:30 sati u Multimedijalnoj sali (G20) Gimnazije “Meša Selimović”, pred Komisijom u sastavu:
- Dr. sci. Lejla Banjanović-Mehmedović, vanredni profesor, za užu naučnu oblast ”Automatika
i robotika” na Fakultetu elektrotehnike Univerziteta u Tuzli-predsjednik
2. Dr. sci. Naser Prljača, redovni profesor za užu naučnu oblast ”Automatika i robotika” na
Fakultetu elektrotehnike Univerziteta u Tuzli-mentor i član
3. Dr. sci. Amira Šerifović-Trbalić, vanredni profesor za užu naučnu oblast ”Automatika i
robotika” na Fakultetu elektrotehnike Univerziteta u Tuzli-član
- dr. sc. Amila Dubravić, vanredniprofesor – zamjenski član (uža naučna oblast ”Automatika i robotika ”Fakultet elektrotehnike Univerziteta u Tuzli),
Završni magistarski rad može se pogledati u Sekretarijatu Fakulteta radnim danom od 10,00 do 14,00 sati.
Pristup javnosti je slobodan.
Sažetak
U savremenoj robotici, posebno u industrijskim i kolaborativnim aplikacijama, sposobnost robota da precizno prepoznaje i razlikuje objekte u okolini ključna je za njihovu funkcionalnost, efikasnost i sigurnost. Segmentacija pojedinačnih objekata (eng. instance segmentation) u 2D slikama i videozapisima predstavlja fundamentalni zadatak u oblasti kompjuterske vizije koja omogućava robotima da identifikuju i prate pojedinačne objekte u složenim i dinamičkim okruženjima. Za razliku od semantičke segmentacije (eng. semantic segmentation), koja grupiše (labelira) piksele u klase objekata, segmentacija pojedinačnih objekata pruža i klasne oznake i granice (masku) pojedinačnih objekata, što je od ključnog značaja za precizno izvršavanje zadataka poput hvatanja, sortiranja ili izbjegavanja prepreka.
Segmentacija pojedinačnih 2D objekata u digitalnim slikama posebno je važna u kontekstu primjene u robotici, gdje roboti moraju razumjeti i izvoditi interakcije sa okolinom u realnom vremenu. Ova tehnika omogućava robotima da prepoznaju i prate više objekata istovremeno, čak i u slučajevima kada su objekti blisko raspoređeni ili se preklapaju. To je od posebnog značaja u industrijskim aplikacijama jer roboti moraju raditi u dinamičnim okruženjima s velikim brojem pokretnih dijelova i ljudi.
Glavni izazov u ovom radu je istraživanje savremenih tehnika segmentacije pojedinačnih 2D objekata u digitalnim slikama ili videu, odnosno onih baziranih na dubokom učenju i različitim arhitekturama (CNN, Transformer), kako bi se poboljšale sposobnosti robota u prepoznavanju, lokalizaciji i interakciji sa objektima u robotskoj okolini.
Ovo istraživanje usmjereno je na istraživanje, analizu i evaluaciju naprednih modela dubokog učenja kao što su: familija YOLO (eng. You Only Look Once), Mask R-CNN (eng. Mask Regional Convolutional Neural Networks), DETR (eng. DEtection TRansformer), Mask2Former, SAM (eng. Segment Anything Model), koji su pokazali izvrsne rezultate u zadacima detekcije i segmentacije pojedinačnih objekata.
Na kraju rada izvršen je dizajn, implementacija i verifikacija 6-DoF robotskog sistema za prepoznavanje, hvatanje i odlaganje (sortiranje) skupa objekata korištenjem RGB kamere. Scenarij pretpostavlja proizvoljno distrubuirane objekte iz N klasa, koji se mogu dodirivati i preklapati. Dizajn, implementacija i verifikacija se realizuje u naprednom simulacionom alatu PyBullet. Ključne riječi: segmentacija instance, YOLO, Mask R-CNN, Mask2Former, DETR, SAM