|
|
Forenzní metoda rozpoznávání originality uměleckých děl s pomocí multispektrální analýzy
Lánský, David ; Mezina, Anzhelika (oponent) ; Burget, Radim (vedoucí práce)
Odhalování falzifikátů je zásadní pro ochranu trhu s uměním a zachování autentičnosti uměleckých děl. Tato práce se věnuje detekci falzifikátů, a to s využitím konvolučních neuronových sítí (CNN). Hlavním cílem bylo vyvinout pokročilé metody, které jsou schopné identifikovat anomálie v malbách za účelem potvrzení pravosti či prokázání falzifikátu. V rámci tohoto výzkumu byly aplikovány architektury U-net a techniky binární sémantické segmentace, které výrazně zpřesňují relevanci detekovaných oblastí. Hlavním přínosem práce je 112 modelů čtyř různých architektur U-net a U-net++, které metodou binární sémantické segmentace efektivně zdůrazňují anomálie. Modely byly natrénovány na souboru obrazů s jejich synteticky vytvořenými rentgenovými snímky a uměle generovanými anomáliemi. Modely jsou tímto způsobem schopné detekovat olovnaté skvrny, hřebíky, vrstvy skrytých maleb, defekty, zatímco zároveň dokáží ignorovat nevýznamné prvky, jako jsou rámy obrazů a přeexponované rentgenové snímky. Testování modelů probíhalo ve dvou fázích. V první fázi byly hodnoceny pomocí metriky IoU na množině 400 synteticky generovaných dat, kde v nejlepších případech dosahovaly až 83,5 % IoU. V druhé fázi byly hodnoceny subjektivním způsobem na obrazech se skutečnými rentgeny a přirozenými anomáliemi. Tento přístup kombinuje tradiční rentgenové techniky s moderním počítačovým viděním, čímž odhaluje odchylky, které by mohly být přehlédnuty při standardní vizuální inspekci. Tímto přínosným spojením technologií práce otevírá nové možnosti pro ochranu uměleckých sbírek a poskytuje solidní základ pro další výzkum v oblasti detekce falzifikátů uměleckých děl pomocí umělé inteligence.
|
|
|
Vizuální detekce anomálií v průmyslové výrobě
Hrabica, Jan ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Tato práce pojednává o problematice unárních klasifikátorů pro detekci anomálií v průmyslové výrobě. V úvodu je rozebrána klasifikace jako obecný problém, metody klasifikace a některé jejich hodnocení a následně jsou rozebrány hlavní kategorie používaných architektur. V praktické části je popsán proces tvorby scény a následné pořizování datasetu. Vytvořený dataset je použit na naučení klasifikátoru, na kterém jsou v závěru práce provedeny různé experimenty za účelem odhadu výkonnosti.
|
|
|
Anomaly and threat detection in audit logs using machine learning
Ludes, Adam ; Ježek, Štěpán (oponent) ; Tomašov, Adrián (vedoucí práce)
The thesis explores cloud-native architecture, anomaly detection techniques, machine learning, and data analysis to develop an anomaly detection model for audit logs from the Red Hat OpenShift Container Platform. Statistical methods and time series analysis for anomaly detection are introduced, while machine learning models and preprocessing techniques are implemented and evaluated. The results demonstrate limitations in traditional models for handling anomalies in deeply nested data, while the NLP model shows robust performance. This research provides valuable insights and is a reference for researchers and practitioners in cloud-native architecture, anomaly detection, machine learning, and data analysis.
|
|
|
Data Analysis for Predictive Maintenance of a Robotic Arm
Žitný, Roland ; Rozman, Jaroslav (oponent) ; Janoušek, Vladimír (vedoucí práce)
The Mitsubishi MELFA robotic arms used in modern factories work almost without interruption and produce sensory data about their operation. Various analysis techniques can be applied to such data for predictive maintenance, which provide information on the condition and maintenance needs of such robotic arms. The proposed predictive maintenance process consists of a sensory data acquisition system using the slmpclient and mitsubishi-monitor libraries, an analysis method system with anomaly detection using a convolutional autoencoder, anomaly classification using convolutional neural networks, and data segmentation into segments of individual robot actions using hidden Markov models. Such analysis techniques provide information on the severity, type, and location of emerging faults and abnormalities in behavior, which then determine the time required to perform the required maintenance. This work presents a created chain of predictive maintenance processes, where the obtained findings provide valuable insights into the application of predictive maintenance of Mitsubishi MELFA robotic arms in an industrial environment.
|
|
|
Detekce anomálií běhu RTOS aplikace
Arm, Jakub ; Jalovecký, Rudolf (oponent) ; Blecha, Petr (oponent) ; Bradáč, Zdeněk (vedoucí práce)
S vyššími požadavky na výpočetní výkon a bezpečnost (resp. funkční bezpečnost) zařízenív průmyslové doméně jsou vestavné systémy spolu s operačními systémy reálného času stálepředmětem výzkumu. Tato práce se zabývá kontrolním subsystémem běhu softwarovéhovybavení založeným na modelu aplikace, který zlepšuje diagnostické pokrytí chyb zejménaanomálií vykonávání RTOS. Po specifikaci architektury tohoto subsystému následujeformální definice modelu a jeho implementace do hardware, resp. FPGA. Práce popisujei další možné směry výzkumu a také přináší nové pohledy na rozebíranou problematiku,např. kombinaci s návrhovými vzory. Nedílnou součástí je i ověření funkčnosti navrhnutéhomodulu pomocí simulace na testovacích scénářích, které vychází ze změřeného záznamuudálostí reálné aplikace. Z výsledků vyplývá, že vyvinutý modul dosahuje řádově nižšíhočasu detekce než standardní watchdog.
|
|
|
Metody klasifikace síťového provozu
Jacko, Michal ; Ovšonka, Daniel (oponent) ; Barabas, Maroš (vedoucí práce)
Táto práca sa zaoberá problémom detekcie anomálií v sieťovej prevádzke a klasifikácie sieťových tokov. Na základe existujúcich metód popisuje práca návrh a implementáciu nástroja, pomocou ktorého je možné automaticky klasifikovať sieťové toky. Nástroj využíva platformu CUDA na spracovanie sieťových dát a výpočet metrík sieťových tokov pomocou grafickej karty. Spracované toky sú následne klasifikované navrhnutými metódami pre detekciu sieťových anomálii.
|
|
|
Automatizované zpracování záznamů síťových služeb v OS Linux
Hodermarsky, Jan ; Jeřábek, Jan (oponent) ; Ilgner, Petr (vedoucí práce)
Tato kvalifikační práce se věnuje návrhu a implementaci software pro profylaktickou analýzu journal souborů v reálném čase za účelem následné detekce hrozeb z nich zřejmých. Software se zaměřuje především na síťové služby, resp. jejich journal soubory, a to vše na platformě Linux. V journal souborech jsou vyhledávány pokusy o narušení bezpečnosti serverových služeb na základě definic v konfiguračním souboru. Předkládaná práce si klade za cíl dosáhnout co největší míry versatility pro jednoduchou konfiguraci služeb nových, jež mají být pomocí tohoto software sledovány, potažmo chráněny. Významným přínosem práce je přítomnost webového rozhraní pro správu software snadno a pohodlně nejen lokálně, ale i vzdáleně skrz protokol HTTP.
|
|
|
Behaviorální analýza síťových útoků typu DDoS
Kvasnica, Ondrej ; Homoliak, Ivan (oponent) ; Očenášek, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá detekcí anomálií v počítačových sítích pomocí metody umělé inteligence. Práce se soustředí zejména na detekci DDoS útoků na základě informací z nižších vrstev modelu OSI. Cílem je navrhnout a implementovat systém, který je schopný detekovat různé typy DDoS útoků a charakterizovat jejich společné znaky. Zvolené útoky jsou SYN záplavy, UDP záplavy a ICMP záplavy. Je obsažen popis a výběr důležitých rysů těchto útoků. Následně je navržen systém, který na základě síťových dat (organizovaných do toků) vyhodnotí, jestli data obsahují útok či nikoliv. Detekce útoků je implementována pomocí klasifikační metody XGBoost, která používá způsob učení s učitelem. Výsledný model je validován pomocí křížové validace a otestován na útocích vygenerované autorem práce.
|
|
|
Hluboké neuronové sítě pro detekci anomálií při kontrole kvality
Juřica, Tomáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je automatizovat detekci defektů při průmyslové výrobě plastových karet. Typickým defektem vzniklým při takovéto výrobě je kontaminace prachovými částicemi či vlasem. Hlavními výzvami, které v této práci řeším, je malý počet dostupných dat (214 karet), velmi malá plocha defektů v kontextu celé karty (průměrně 0,0068 \% plochy karty) a zároveň velice rozmanité a komplexní pozadí, ve kterém defekty hledám. Realizaci úkolu jsem dosáhl za použití detekčního algoritmu Mask R-CNN a rozšíření datové sady pomocí namodelování vzhledu typických defektů a vytvoření syntetického datasetu o počtu 20 000 obrázků, na kterém jsem detektor natrénoval. Takovýmto způsobem jsem dosáhl 0,83 AP při IoU rovno 0,1 na testovací části původní datové sady.
|
|
|
Automatická kontrola kvality výroby lakovaných kovových dílů s pomocí neuronových sítí
Ježek, Štěpán ; Kolařík, Martin (oponent) ; Burget, Radim (vedoucí práce)
Tato práce je zaměřena na problematiku vizuální kontroly kvality při výrobě kovových lakovaných dílů. Hlavním problémem řešeným v rámci práce je návrh automatizované metody kontroly kvality, založené na moderních poznatcích z oblasti umělé inteligence a počítačového vidění. Kontrola kvality představuje významnou součást velkého množství průmyslových výrobních procesů, ve kterých je nutné zajistit splnění řady kvalitativních požadavků na vyráběné produkty. Dosud je kontrola kvality prováděna především spe- cializovanými pracovníky, na které je k provádění kontroly kladena řada požadavků na odborné znalosti. Aktuálně známé metody vizuální kontroly kvality založené na umělé inteligenci se vyznačují vysokou náročností na velikost trénovací datové množiny a nízkou tolerancí na výraznější změnu polohy a rotace kontrolovaných objektů vůči snímacímu zařízení. Důsledkem těchto nedostatků je znemožněno nasazení automatizované vizuální kontroly kvality v řadě současných průmyslových aplikacích. Hlavním přínosem této práce je návrh nové metody kontroly kvality, která vykazuje silnou schopnost spolehlivě fungo- vat i v případech, kdy v dané průmyslové výrobě dochází k výše uvedeným jevům změny polohy, rotace objektů a nedostatku trénovacích dat. Přesnost metody navržené v této práci je experimentálně ověřena na datové množině vycházející z problematiky kontroly kvality kovových lakovaných dílů. Dle provedeného měření překonává navržená metoda v přesnosti detekce defektů ostatní, současně známé metody o 10, 25 % dle AUROC metriky.
|
host ::
RSS.