Ing. Matěj Hužvár

A robust representative dataset is a critical component in proper training of any neural network. In this paper, we present a dataset designed specifically for training models of nonlinear systems relevant to electric guitar, including distortion effects and amplifiers. Our dataset, which reflects developments in the design of electric guitars, is carefully selected and ready for further extension using readily available commercial recording equipment. The introduced dataset consists of source audio signals recorded on several guitars and short synthesized samples, and corresponding output signals from several systems at several setting combinations.

Efektivní třídění jednotlivých materiálů z heterogenních stavebních sutí stále představuje výzvu v naplňování vizí cirkulární ekonomiky. Tento příspěvek představuje technologii využívající 3D RGB kamery a hmotnostní čidla, která je navržena pro rychlou a přesnou klasifikaci materiálů. Získaná data jsou zpracována pomocí speciálního softwaru, který využívá algoritmy extrakčních technik, strojového učení a počítačové vidění. Tato technologie dosahuje přesnosti při klasifikaci mezi 90 až 96 %.

Bez efektivní klasifikace materiálů ve stavebních sutích nelze zajistit jejich přesné třídění a následné hodnotné využití. Dosavadní přímé metody založené na silových třídičích či separátorech ovšem naráží na své limity. Stavební a demoliční odpad je kvůli tomu zpravidla předurčen k devalvujícím aplikacím nebo dokonce k uložení na skládku. Náš příspěvek rozdělujeme na dvě části. První část přináší fakta o produkci stavebního a demoličního odpadu v EU a zdůvodňuje urgenci v hospodárném nakládání s ním. Dále rekapituluje vývoj nepřímých metod klasifikace. Stručně popisuje druh vhodných čidel pro sledování odpadu a algoritmy, které tato data vyhodnocují. Druhá část přináší popis vlastního řešení klasifikace, které bylo vyvinuto na fakultách stavební a elektrotechnické ČVUT v Praze. Metoda se opírá o hodnocení obrazových dat, která jsou získávána pomocí běžných RBG kamer.

Spolehlivé třídění různých materiálů ze stavební suti je základním prvkem v oběhovém hospodářství ve stavebnictví. Tento článek představuje technologii, která využívá RGB kamery, hmotnostní a akustické senzory pro klasifikaci materiálů. Sloučením těchto senzorů a aplikací technik extrakce atributů, jako jsou tvarové indexy, entropie textury a gradienty intenzity, je generována komplexní sada parametrů. Tyto parametry umožňují přesnou klasifikaci díky využití umělé inteligence.