|
|
Detekce poškození povrchu materiálu z fotografie
Marek, Radek ; Sakin, Martin (oponent) ; Dyk, Tomáš (vedoucí práce)
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.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských dat
Osvald, Martin ; Juránek, Roman (oponent) ; Španěl, Michal (vedoucí práce)
Cieľom tejto práce je použitie 2D konvolučných neurónových sietí pre segmentáciu a detekciu zubov na 3D modeli čeľusti s využitím viac pohľadovej metódy. Pohľad je vyrendrovaný 2D obrázok 3D modelu. Následne na akýkoľvek 3D model zubov je možné použiť natrénované modely neurónových sietí v PyQt aplikáciach. Pri práci bol vytvorený vlastný anotačný skript na anotáciu zubov ako aj landmarkov. Táto práca rieši problém s dostupnosťou anotovaných 3D datasetov v medicínskom priemysle pomocou automatizácie v generovaní masiek z rôznych pohľadov na 3D modely.
|
|
|
Metody hlubokého učení pro segmentaci cév a optického disku v oftalmologických sekvencích
Rozhoňová, Andrea ; Odstrčilík, Jan (oponent) ; Hesko, Branislav (vedoucí práce)
Cílem následující diplomové práce bylo studium problematiky segmentace optického disku a cév sítnice v oftalmologických sekvencích. Teoretická část práce shrnuje principy různých přístupů z oblasti hlubokého učení, které se v souvislosti s danou problematikou využívají. Na základě teoretické části jsou navrženy metody pro segmentaci optického disku a pro segmentaci cév sítnice založené na konvolučních neuronových sítích Linknet, PSPNet, Unet a MaskRCNN. Popisem jejich implementace a následným zhodnocením se zabývá praktická část diplomové práce.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských dat
Osvald, Martin ; Juránek, Roman (oponent) ; Španěl, Michal (vedoucí práce)
Cieľom tejto práce je použitie 2D konvolučných neurónových sietí pre segmentáciu a detekciu zubov na 3D modeli čeľusti s využitím viac pohľadovej metódy. Pohľad je vyrendrovaný 2D obrázok 3D modelu. Následne na akýkoľvek 3D model zubov je možné použiť natrénované modely neurónových sietí v PyQt aplikáciach. Pri práci bol vytvorený vlastný anotačný skript na anotáciu zubov ako aj landmarkov. Táto práca rieši problém s dostupnosťou anotovaných 3D datasetov v medicínskom priemysle pomocou automatizácie v generovaní masiek z rôznych pohľadov na 3D modely.
|
|
|
Metody hlubokého učení pro segmentaci cév a optického disku v oftalmologických sekvencích
Rozhoňová, Andrea ; Odstrčilík, Jan (oponent) ; Hesko, Branislav (vedoucí práce)
Cílem následující diplomové práce bylo studium problematiky segmentace optického disku a cév sítnice v oftalmologických sekvencích. Teoretická část práce shrnuje principy různých přístupů z oblasti hlubokého učení, které se v souvislosti s danou problematikou využívají. Na základě teoretické části jsou navrženy metody pro segmentaci optického disku a pro segmentaci cév sítnice založené na konvolučních neuronových sítích Linknet, PSPNet, Unet a MaskRCNN. Popisem jejich implementace a následným zhodnocením se zabývá praktická část diplomové práce.
|
host ::
RSS.