Název: Detekce poškození povrchu materiálu z fotografie
Překlad názvu: Detection of Material Surface Damage Based on a Photograph
Autoři: Marek, Radek ; Sakin, Martin (oponent) ; Dyk, Tomáš (vedoucí práce)
Typ dokumentu: Bakalářské práce
Rok: 2024
Jazyk: cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze] [eng]
Tato práce se zaměřuje na využití několika typů neuronových sítí pro detekci poškození povrchu materiálů z fotografií a hodnotí jejich účinnost. Identifikace různých typů poškození, jako jsou trhliny, škrábance a další defekty, je nezbytná pro posouzení kondice materiálů a může upozornit na potřebu další údržby nebo oprav. Použití pokročilých neuronových sítí umožňuje přesnější detekci a klasifikaci poškození, což je klíčové pro aplikace v oblastech jako stavebnictví, automobilový průmysl a letecké inženýrství, kde rychlá a spolehlivá diagnostika materiálových vad je kritická. Integrace těchto technologií do pravidelných inspekčních procesů může významně zlepšit prevenci havárií a prodloužit životnost konstrukčních komponent. Práce dále diskutuje možnosti zlepšení a adaptace algoritmů na specifické materiály a typy poškození. Tato práce tedy ukazuje, jak mohou pokročilé technologie strojového učení významně přispět k efektivnějšímu a spolehlivějšímu monitorování stavu materiálů, což otevírá cesty pro budoucí inovace v oblasti údržby a bezpečnosti. This work focuses on the use of various types of neural networks for detecting surface damage of materials from photographs and evaluates their effectiveness. Identifying different types of damage, such as cracks, scratches, and other defects, is essential for assessing the condition of materials and may indicate the need for further maintenance or repairs. The use of advanced neural networks allows for more precise detection and classification of damage, which is crucial for applications in areas such as construction, the automotive industry, and aerospace engineering, where rapid and reliable diagnostics of material defects are critical. Integrating these technologies into regular inspection processes can significantly improve accident prevention and extend the lifespan of structural components. The work also discusses the possibilities for improvement and adaptation of algorithms to specific materials and types of damage. Thus, this work demonstrates how advanced machine learning technologies can significantly contribute to more effective and reliable material condition monitoring, opening paths for future innovations in maintenance and safety.
Klíčová slova: dataset; Detectron; detekce objektů; FasterRCNN; klasifikace obrazu; konvoluční neuronové sítě; MaskRCNN; neuronová síť; poškození porvrchu materiálu; RetinaNet; segmentace instancí; strojové vidění; sémantická segmentace; YOLO; convoluted neural network; dataset; Detectron; FasterRCNN; image clasification; instance segmentation; machine vision; MaskRCNN; material surface damage; neural network; object detection; RetinaNet; semantic segmentation; YOLO

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/246587

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-618108


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Bakalářské práce