*Result*: A computer vision approach with OpenCV and deep learning for determining inductance in planar coils.

*Introduction/purpose: In the realm of development and use of computer vision and AI methodologies, this research introduces a combination and advanced method using YOLOv9, a deep learning concept of whole image processing in one pass through a convolutional neural network (CNN) and the OpenCV Python image processing library to determine the geometry of planar coils. These geometric parameters are the main parameters used to calculate the inductance value using Mohan's formula, which exclusively utilizes only geometric data to estimate inductance values. This method significantly speeds up the verification and calculation processes, while also playing a role in improving quality control after manufacturing. Methods: The methodology is divided into two main phases. Initially, a YOLOv9 model was trained for object recognition using a generated synthetic dataset of coil shapes created with Python's Turtle graphics library. Then, after the detection phase, OpenCV was used to identify the geometric parameters of the images. The pixels were converted into millimeters using a ratio method to calculate the inductance value accurately. Results: The YOLOv9 model successfully identified various planar coil shapes, and the geometric parameters were identified through OpenCV. Subsequently, the inductance was successfully calculated. Conclusion: The results show that the proposed method is a novel and effective way of calculating inductance. [ABSTRACT FROM AUTHOR]*

*Introducción/propósito: En el ámbito del desarrollo y uso de metodologías de visión por computadora e inteligencia artificial, esta investigación presenta una combinación y un método avanzado que utiliza YOLOv9, un concepto de aprendizaje profundo de procesamiento de imágenes completas en un solo paso a través de una red neuronal convolucional (CNN) y la Biblioteca de procesamiento de imágenes OpenCV Python para determinar la geometría de bobinas planas. Estos parámetros geométricos son los principales parámetros utilizados para calcular el valor de inductancia utilizando la fórmula de Mohan, que utiliza exclusivamente datos geométricos para calcular los valores de inductancia. Este método acelera significativamente los procesos de verificación y cálculo, al mismo tiempo que contribuye a mejorar el control de calidad después de la fabricación. Métodos: La metodología se divide en dos fases principales. Inicialmente, se entrenó un modelo YOLOv9 para el reconocimiento de objetos utilizando un conjunto de datos sintéticos generados de formas de bobinas creadas con la biblioteca de gráficos Turtle de Python. Luego, después de la fase de detección, se utilizó OpenCV para identificar los parámetros geométricos de las imágenes. Los píxeles se convirtieron a milímetros utilizando un método de relación para calcular el valor de inductancia con precisión. Resultados: El modelo YOLOv9 identificó con éxito varias formas de bobinas planas y los parámetros geométricos se identificaron mediante OpenCV. Posteriormente, se calculó con éxito la inductancia. Conclusión: Los resultados muestran que el método propuesto es una forma novedosa y eficaz de calcular la inductancia. [ABSTRACT FROM AUTHOR]*

*Введение/цель: В свете развития и использования методологий компьютерного зрения и искусственного интеллекта данное исследование представляет собой комбинированный и продвинутый метод, использующий YOLOv9, концепцию глубокого обучения для обработки полного изображения за один проход через свёрточную нейронную сеть (CNN) и библиотеку обработки изображений OpenCV Python для определения геометрии плоских катушек. Данные геометрические параметры являются главными в расчёте значений индуктивности с использованием формулы Мохана, которая использует геометрические данные исключительно для оценки значений индуктивности. Этот метод значительно ускоряет процессы верификации и расчёта, а также способствует повышению качества контроля производства. Методы: Методология исследования распределена на два основных этапа. Сначала была обучена модель YOLOv9 для распознавания объектов, используя сгенерированный синтетический набор данных форм катушек, созданный с помощью библиотеки Turtle Graphics в Python. Затем, после этапа обнаружения, с помощью OpenCV были идентифицированы геометрические параметры изображений. Пиксели были преобразованы в миллиметры, используя метод соотношения для точного расчета значения индуктивности. Результаты: Модель YOLOv9 успешно идентифицировала различные формы плоских катушек, а геометрические параметры были определены с помощью OpenCV. Индуктивность также была успешно рассчитана. Выводы: Результаты показывают, что предложенный метод является инновационным и эффективным способом расчета индуктивности. [ABSTRACT FROM AUTHOR]*

*Увод/циљ: У области развоја и примене методологија рачунарског вида и вештачке интелигенције, ово истраживање представља комбинацију и напредну методу која користи YOLOv9 – концепт дубоког учења за обраду целокупне слике у једном пролазу кроз конволуциону неуронску мрежу (CNN) и библиотеку за обраду слика OpenCV на Pythonu за одређивање геометрије пљоснатих намотаја. Ови основни геометријски параметри користе се за израчунавање вредности индуктивности помоћу Моханове формуле, која искључиво употребљава геометријске податке за процену вредности индуктивности. Ова метода знатно убрзава процесе верификације и израчунавања, а побољшава и контролу квалитета после производње. Методе: Методологија је подељена на две главне фазе. У почетку је модел YOLOv9 био конструисан за препознавање објеката коришћењем генерисаног синтетичког скупа података облика намотаја створеног помоћу Pythonove библиотеке Turtle Graphics. Затим, након фазе детекције, OpenCV је коришћен за идентификацију геометријских параметара слика. Пиксели су претворени у милиметре применомметоде пропорција за тачно израчунавање вредности индуктивности. Резултати: Модел YOLOv9 је успешно идентификовао различите облике пљоснатих намотаја, а геометријски параметри су идентификовани путем OpenCV. Након тога, индуктивност је успешно израчуната. Закључак: Резултати показују да је предложена метода нов и ефикасан начин за израчунавање индуктивности. [ABSTRACT FROM AUTHOR]

Copyright of Military Technical Courier / Vojnotehnicki Glasnik is the property of Military Technical Courier / Vojnotehnicki Glasnik and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)*