RAZVOJ MOBILNE APLIKACIJE ZA IDENTIFIKACIJU ZASTAVA TEMELJENE NA UMJETNIM NEURONSKIM MREŽAMA

Machine learning and more specifically its subfield known as deep learning have been driving new disruptive technologies and recent accomplishments in various industries. This paper applies to some extent the same technology to develop a mobile application for educational purposes, that allows one to identify unknown flags with the help of artificial intelligence. For the application to be functional and effective, a custom dataset had to be created and processed in various ways in order to provide a collection of data that resembles data from the real world. The collection would then be used as the input data for constructing the model, which is developed within the framework TensorFlow. Once the model was developed, it was implemented as part of a mobile application programmed with Flutter. The functionality of the mobile application and the model’s accuracy are then put to the test against over a hundred of new images the model has not seen previously or been trained on. The result of this evaluation could be considered an estimate of the readiness and usability of the application in a real-world scenario.Strojno učenje te posebno pripadajuće potpodručje poznato kao duboko učenje pokreću nove disruptivne tehnologije i nedavna postignuća u različitim industrijama. Ovaj rad koristi do određene razine istu tehnologiju pri izradi mobilne aplikacije za edukacijske svrhe, a koja omogućuje identifikaciju nepoznatih zastava pomoću umjetne inteligencije. Kako bi aplikacija bila funkcionalna i efikasna, potrebno je bilo kreirati vlastiti podatkovni skup i obraditi ga na razne načine kako bi se osigurala zbirka podataka koja odražava podatke iz stvarnoga svijeta. Ova zbirka bi se potom koristila kao podatkovni ulaz za razvijanje modela, koji se razvija unutar okruženja TensorFlow. Nakon što je model razvijen, implementiran je kao dio mobilne aplikacije programirane Flutterom. Funkcionalnost mobilne aplikacije i točnost modela ispitana je na brojci od preko 100 novih slika koje model prethodno nije vidio niti je nad njima bio treniran. Rezultat ovog ispitivanja mogao bi se smatrati odrazom okvirne spremnosti i primjenjivosti ove aplikacije u stvarnom svijetu