|
|
Detekce QR kódů pomocí hlubokého učení
Černohous, Matěj ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato bakalářská práce se zabývá návrhem algoritmu pro detekci a dekódování QR kódů v obrazech využitím technik hlubokého učení. V rámci práce byly zhotoveny 2 datové sady, model neuronové sítě YOLOv7 pro detekci QR kódu v obraze, model neuronové sítě YOLOv4-tiny pro detekci pozičních bodů QR kódu a program v jazyce Python využívající těchto modelů pro čtení QR kódů v obrazech. Pro vyhodnocení byl algoritmus porovnán s jinými řešeními čtení QR kódů.
|
|
|
Predikce odpovědi na radioterapii u karcinomu rekta pomocí MR
Chmela, Radek ; Nohel, Michal (oponent) ; Mézl, Martin (vedoucí práce)
Tato diplomová práce se zabývá problematikou predikce odezvy rakoviny rekta na radioterapii. Práce je rozdělena do čtyř kapitol. V prvních dvou je popsána anatomie rekta, typy nádorových onemocnění a jednotlivé diagnostické metody, společně s algoritmy pro detekci objektů v obrazech. Ve třetí kapitole je popis řešení pro automatickou segmentaci a predikci účinnosti radioterapie. Ve čtvrté kapitole jsou pak diskutovány dosažené výsledky.
|
|
|
Forenzní analýza ručně psaného písma pro české prostředí s použitím umělé inteligence
Stejskal, Jan ; Přinosil, Jiří (oponent) ; Burget, Radim (vedoucí práce)
Analýza ručně psaného písma je důležitou oblastí výzkumu moderní vědy. Jedná se však o velice složitý proces, jelikož ručně psaný text může nabývat různých podob. Využití umělé inteligence k analýze a identifikaci textu pocházejícího od různých autorů není ve světě nic nového. Avšak výzkum v této oblasti pro české prostředí mírně zaostává. Z tohoto důvodu bylo v rámci této práce navrženo a porovnáno několik architektur konvolučních sítí, ve snaze nalézt nejvhodnější strukturu pro řešení tohoto problému. Ze všech natrénovaných a otestovaných modelů dosáhl nejvyšší přesnosti model založený na struktuře ResNet18, který měl úspěšnost 92,2 % na vlastní databázi tvořené 1328 ukázkami s rozlišením 750x256. Tento výsledek naznačuje, že s dostatečně velkou a kvalitní databází je daný problém řešitelný i v českém prostředí s jeho komplikovanější znakovou sadou.
|
|
|
Self-Supervised Learning for Recognition of Sports Poses in Image
Konečný, Daniel ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
The goal of this thesis is to recognize sports poses in image data with a self-supervised learning approach to achieve high classification accuracy even with a low number of annotated samples. Self-supervision is obtained by using images of the same scene from multiple viewpoints at identical and different times. A convolutional neural network trained with triplet loss learns embedding vectors of sports poses and a dense neural network classifies them. The proposed self-supervised model achieves classification accuracy higher by 30-40 % than a supervised model when there are only tens or ones of annotated training samples from each class. The main contributions of this thesis are a set of semi-automatic tools to prepare a dataset for the specific training process, two datasets with sets of labels for classification, and implemented models for specific self-supervised learning. The results show that self-supervised learning is a meaningful approach for solving classification problems with very few labeled samples.
|
|
|
Využití neuronových sítí pro fúzi obrazových a neobrazových dat
Reich, Bořek ; Maršík, Lukáš (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato diplomová práce se zabývá využitím konvolučních neuronových sítí pro fúzi obrazových a neobrazových dat. V práci jsou zkoumány jak detekční systémy využívající principy hlubokého učení spoléhající se pouze na obrazová data (snímky z kamery), tak detekční systémy, které využívají obrazová i neobrazová data (snímky z kamery a data z milimetrového radaru). Pro účely porovnání těchto typů metod (metod využívajících fúzi a metod spoléhajících se pouze na obrazová data) byla vytvořena jedinečná datová sada obsahující nezpracovaná data z milimetrového radaru a odpovídající časově synchronizované snímky z kamery zaměřená na monitorování dopravy. Dále je v této práci navržena časově synchronizační metoda pro milimetrový radar a kameru s použitím volně dostupného hardware. Za použití vytvořené datové sady je pak ověřena detekční schopnost systému využívajícího pouze data z kamery a fúzního systému využívajícího data z milimetrového radaru i kamery.
|
|
| |
|
|
Využití strojového učení k rozpoznání pohybu feederového prutu
Vele, Patrik ; Vašíček, Zdeněk (oponent) ; Šimek, Václav (vedoucí práce)
Cílem této diplomové práce je vytvořit zařízení, které využívá metody strojového učení k rozpoznávání pohybů feederového rybářského prutu na základě dat z inerciální měřící jednotky. Úvodní část je věnována rybolovné technice feeder, výběru důležitých pohybů a možnostem upevnění detekčního zařízení na prut. Následuje vytvoření teoretického základu v oblasti strojového učení, seznámení s inerciální měřicí jednotkou a problematikou klasifikace. Obdržené znalosti jsou použity k výběru vhodných technik pro řešení úlohy rozpoznávání pohybů prutu. V praktické části je navrženo a vytvořeno detekční zařízení založené na platformě ESP32. To je nejprve používáno jako snímač pohybu, který v kombinaci se zpracováním naměřených hodnot slouží jako generátor trénovací datové sady. Práce pokračuje implementací konvoluční neuronové sítě, procesem učení na vytvořené datové sadě a integrací nejúspěšnějšího modelu do detekčního zařízení. Závěr je věnován testování v praxi, vyhodnocení a možnostem budoucího vývoje. Výsledkem je malé, bateriově napájené zařízení, které po připevnění na libovolný feederový prut poskytuje vysoce úspěšnou detekci všech klíčových pohybů během lovu. Navíc díky bezdrátové komunikaci přes ESP-NOW umožňuje odesílat výsledky na různá zařízení.
|
|
|
Počítačové vidění pro sledování 3D tisku
Heinz, Mikuláš ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá automatickou detekcí chyb, které nastávají v průběhu časově náročného 3D tisku. K tomu využívá počítačového vidění a umělou inteligenci. Hlavním výsledkem je systém, který pomocí Raspberry Pi a připojené kamery zaznamenává pravidelně průběh tisku a snímky zasílá na počítač uživatele k detekci. Na tomto počítači je snímek analyzován modelem konvoluční neuronové sítě a informace o nalezené chybě je zaslána uživateli pomocí SMTP protokolu. Součástí řešení je také datová sada s 385 snímky chyb při 3D tisku rozdělených podle typu.
|
|
|
Development of a universal cell for optical part inspection in a robotic workplace
Cahlík, Radim ; Rajchl, Matej (oponent) ; Adámek, Roman (vedoucí práce)
The aim of this master's thesis is to develop a universal cell for optical part inspection including defects detection software that utilises artificial intelligence methods. Another goal is to integrate the cell into a robotic workplace and to test it on distinct parts with different defects. The first part of the thesis describes the development of the optical cell concept and its design. After that, the optical inspection system is covered, starting with a description of the lens and camera, followed by the analysis of the inspection software, which uses the convolutional neural network for defect detection. The next part deals with the development of a robotic workplace including the design of a two degrees of freedom robot and the communication between the devices. In the end, testing on two distinct parts to verify its functioning is discussed.
|
|
|
Diagnostika ložisek s využitím strojového učení
Zonygová, Kristýna ; Marada, Tomáš (oponent) ; Zuth, Daniel (vedoucí práce)
Diplomová práce se zabývá použitím metod umělé inteligence za účelem klasifikace poruch ložiska. Jsou zde popsány klasifikační metody SVC (Support Vector Classification), KNN (K-Nearest Neighbors Classifier), RFC (Random Forest Classifier) a CNN (Convolutional Neural Network), které jsou testovány na datech vibračního signálu kuličkového ložiska ze dvou různých datasetů. Všechny metody dosahují poměrně dobrých výsledků klasifikace (od 94,1 % do 99,8 %). Součástí jsou také skripty v programovém prostředí Python, které využívají knihovny s volnou licencí. Ty poskytují možnost natrénování klasifikačních metod (SVC, KNN, RFC nebo CNN) na vlastních datech, nebo využití již natrénovaných modelů.
|
host ::
RSS.