|
|
Návrh programu pro obsluhu kamer a provádění strojového učení
Lukaszczyk, Jakub ; Richter, Miloslav (oponent) ; Bilík, Šimon (vedoucí práce)
Tato bakalářská práce řeší návrh programu pro ovládání průmyslových kamer. První část se věnuje současným aplikacím, jejich designu a nedostatkům. V praktické části je poté navržena obdobná aplikace v jazyce Python. Oproti současně dostupným aplikacím poskytuje navrhovaná aplikace modulární a otevřený design a lze ji tudíž dále rozšiřovat a modifikovat. Aplikace je nadále doplněna o vazbu na knihovnu Tensorflow a umožňuje tak klasifikaci obrazu a učení modelů umělých neuronových sítí. Aplikace byla otestována a jeví se být funkční. V závěru práce jsou výsledky zhodnoceny a jsou nastíněny možnosti dalšího vývoje.
|
|
|
Implementace autoenkodéru pro zpracování obrazových dat
Sarančuk, Nikola ; Bilík, Šimon (oponent) ; Horák, Karel (vedoucí práce)
Práce se věnuje rešerši problému detekce anomálií v průmyslové inspekci. V práci je popsána umělá neuronová síť a její jednotlivé části. Práce obsahuje kapitolu, kde jsou srovnány unární, binární a multi-class klasifikátory. Dále je v práci vysvětlena architektura konvolučních neuronových sítí a architektura sítí typu autoenkodér. Poté je v práci popsán vytvořený anotovaný dataset. Nakonec je v práci popsána implementace konvolučního autoenkodéru a zhodnocena kvalita klasifikace.
|
|
|
Kalibrace rázového kladívka
Bilík, Šimon ; Klusáček, Stanislav (oponent) ; Beneš, Petr (vedoucí práce)
Teoretická část této práce se zabývá popisem piezoelektrických akcelerometrů, jejich využitím a vlastnostmi při měření rázů. Dále se pak zabývá popisem, typickou konstrukcí a způsobem kalibrace rázových kladívek s využitím těchto snímačů. Praktická část práce popisuje kalibrační pracoviště a vytvořené přípravky pro provedení kalibrace, identifikuje zdroje zákmitů na výstupním signálu akcelerometru a navrhuje způsob jejich kompenzace. Součástí práce je také program pro obsluhu kalibračního pracoviště a pro měření a následnou analýzu rázových průběhů. Práce se také zabývá popisem metodiky kalibrace a kvantifikuje výsledné nejistoty měření.
|
|
|
Sledování řidiče
Pieger, Matúš ; Bilík, Šimon (oponent) ; Richter, Miloslav (vedoucí práce)
Tato diplomová práce se zabývá návrhem systémů pro sběr dat popisujících chování řidiče v automobilu. Tyto data slouží k detekci rizikového chování, kterého se řidič může dopouštět kvůli nepozornosti způsobené nižší nebo vyšší úrovni automatizace řízení vozidla. Práce nejprve popisuje existující bezpečnostní systémy, a to především v návaznosti na řidiče. Poté se zabývá návrhem potřebných měřicích scén a realizací nových systémů založených na zpracování vstupních obrazových snímků. Pro snímání je využita stereo kamera Intel RealSense D415. Jednotlivé systémy jsou otestovány v reálném prostředí vozidla. Na závěr práce obsahuje vyhodnocení úspěšnosti detekce vytvořených algoritmů, zamýšlí se nad nedostatky a možnými vylepšeními.
|
|
|
Obslužný SW pro automobilový tester
Bilík, Šimon ; Čala, Martin (oponent) ; Beneš, Petr (vedoucí práce)
Tato práce se zabývá problematikou testování tlumičů odpružení a to konkrétně pomocí rezonančně adhezní metodiky EUSAMA. V rámci této práce byl vytvořen program pro měření signálu z testeru tlumičů, jeho analýzu a také grafické uživatelské rozhraní pro obsluhu tohoto testeru. Program byl vytvořen v programovacím prostředí LabVIEW a pro sběr dat byl použit měřicí hardware firmy National Instruments.
|
|
|
Umělá neuronová síť pro rekonstruování vymřelých druhů
Pešek, David ; Bilík, Šimon (oponent) ; Jirsík, Václav (vedoucí práce)
Tato práce se zabývala navrhnutím, naučením a zhodnocením umělé neuronové sítě pro rekonstrukci vymřelých živočišných druhů. Nejprve byl vybrán hlavní prvek navrhované UNS, tedy generativní model. Vzhledem k jejich výborným výsledkům v poli generování obrázků se odůvodněně jevila třída difúzních modelů jako správná volba. Konkrétně byl vybrán difúzí model Stable diffusion. Jeden z počátečních kroků práce bylo také vytvořit trénovací množinu pro navrhovaný model. K obrázkům živočichů bylo potřeba napárovat nějaké popisky, podle kterých by se dal živočich identifikovat. K tomuto účelu byly využity geny cyklooxygenázy-1 daných živočichů. Dále byl použit sekvenční transformátorový model GPT-2, který je naučen na trénovací množině lidského přirozeného jazyka. Tento model byl použitý pro zakódování DNA sekvencí do vektorové podoby, ve které byla zachycena sémantika a kontext mezi jednotlivými částmi DNA sekvence. Modely by bylo velmi složité učit od začátku kvůli velké potřebné velikosti trénovací množiny a výpočetní a časové náročnosti. GPT-2 model byl tedy pouze doučen na trénovací množině DNA sekvencí řádu pěvců a samotný difúzní model byl naučen na párech obrázků těchto živočichů a DNA sekvencí zakódovaných pomocí GPT-2 modelu. Pro generování obrázků byly pomocí GPT-2 generovány originální DNA sekvence, které se podobaly sekvencím z trénovací množiny. Následně bylo zakódování těchto sekvencí předáno difúznímu modelu, který vytvořil samotné obrázky. Metoda generování nových DNA sekvencí pomocí GPT-2 modelu stojí na myšlence, že vygenerovaná DNA sekvence se částečně podobá DNA sekvencím z trénovací množiny. Takto experimentálně vygenerované DNA sekvence se mohou podobat DNA sekvencím vymřelých předků nebo příbuzných řádu pěvců. Model byl schopný v části případů vygenerovat takové obrázky, které lze na pohled považovat za živočišný druh, ale je nutno konstatovat, že vygenerované obrázky často nešlo považovat za rekonstrukce živočichů. Úspěšnost vygenerování obstojného obrázku živočicha byla přibližně 10%. Funkčnost modelu byla testována i na testovací množině DNA sekvencí živočichů několika řádů, které spadají pod třídu ptáků stejně jako řád pěvců. Úspěšnost vygenerování rekonstrukce, kterou bylo možné porovnávat s fotografií se pohybovala okolo 15%.
|
|
|
Systém počítačového vidění pro rozpoznávání emocí
Wójcik, Jan ; Bilík, Šimon (oponent) ; Janáková, Ilona (vedoucí práce)
Semestrální práce se zabývá návrhem systému pro rozpoznávání emocí, který by měl být využit jako nástroj pro zlepšení komunikace s osobami s poruchou autistického spektra. Pro rozpoznávání emoce budou využívány data z kamery, jedná se tedy o aplikaci počítačového vidění. Práce se zabývá oblastmi jako je detekce obličeje, extrakce relevantních příznaků, hledání vhodného datasetu nebo návrh klasifikátoru.
|
|
|
Klasifikace kolejových vozidel
Kotrlý, Michal ; Bilík, Šimon (oponent) ; Honec, Peter (vedoucí práce)
Diplomová práce se věnuje klasifikaci kolejových vozidel na základě obrazové informace. V práci jsou teoreticky popsány a následně realizovány dva přístupy ke klasifikaci kolejových vozidel. Prvním přístupem je transformace snímků na histogramy vizuálních slov ze slovníku podle metody Bag of Visual Words a následná aplikace klasických klasifikátorů typu k-NN, SVM, Multinomial Naive Bayes, neuronová síť a Ensemble metoda typu voting classifiers. Druhým přístupem je klasifikace snímků pomocí ověřených architektur konvolučních neuronových sítí využitím metody transfer learning. Sítě AlexNet, VGG16 a ResNet50 byly předtrénovány na obsáhlém datasetu ImageNet a horní vrstvy byly dotrénovány na vlastním datasetu kolejových vozidel. Oba přístupy byly vyladěny pro nejlepší možné výsledky klasifikace. Pro jejich srovnání byl sestaven trénovací dataset s 1773 snímky ve 27 třídách a testovací dataset obsahující 444 snímků. Na testovacím datasetu dosáhl nejúspěšnější klasifikátor s transformací snímků BoVW metodou správnosti 89%. Konvoluční neuronové sítě dosáhly správnosti 95-97%, což je výrazně lepší výsledek. V práci jsou také zohledněny doby predikce nových snímků pro oba přístupy. Nad rámec práce byl implementován algoritmus pro dělení snímků vlakové soupravy na jednotlivé snímky vozů. V závěru jsou uvedeny limitace a popsány důvody omezené robustnosti algoritmu.
|
|
|
Implementace autoenkodéru pro zpracování obrazových dat
Sarančuk, Nikola ; Bilík, Šimon (oponent) ; Horák, Karel (vedoucí práce)
Práce se věnuje rešerši problému detekce anomálií v průmyslové inspekci. V práci je popsána umělá neuronová síť a její jednotlivé části. Práce obsahuje kapitolu, kde jsou srovnány unární, binární a multi-class klasifikátory. Dále je v práci vysvětlena architektura konvolučních neuronových sítí a architektura sítí typu autoenkodér. Poté je v práci popsán vytvořený anotovaný dataset. Nakonec je v práci popsána implementace konvolučního autoenkodéru a zhodnocena kvalita klasifikace.
|
|
|
Feature Space Reduction As Data Preprocessing For The Anomaly Detection
Bilik, Simon
In this paper, we present two pipelines in order to reduce the feature space for anomalydetection using the One Class SVM. As a first stage of both pipelines, we compare the performanceof three convolutional autoencoders. We use the PCA method together with t-SNE as the first pipelineand the reconstruction errors based method as the second. Both methods have potential for theanomaly detection, but the reconstruction error metrics prove to be more robust for this task. Weshow that the convolutional autoencoder architecture doesn’t have a significant effect for this task andwe prove the potential of our approach on the real world dataset.
|
host ::
RSS.