Original title: Detekce poškození povrchu materiálu z fotografie
Translated title: Detection of Material Surface Damage Based on a Photograph
Authors: Marek, Radek ; Sakin, Martin (referee) ; Dyk, Tomáš (advisor)
Document type: Bachelor's theses
Year: 2024
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [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.
Keywords: convoluted neural network; dataset; Detectron; FasterRCNN; image clasification; instance segmentation; machine vision; MaskRCNN; material surface damage; neural network; object detection; RetinaNet; semantic segmentation; YOLO; dataset; Detectron; detekce objektů; FasterRCNN; klasifikace obrazu; konvoluční neuronové sítě; MaskRCNN; neuronová síť; poškození porvrchu materiálu; RetinaNet; segmentace instancí; strojové vidění; sémantická segmentace; YOLO

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: https://hdl.handle.net/11012/246587

Permalink: http://www.nusl.cz/ntk/nusl-618108


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses