|
|
Rozpoznávání objektů v obrazech
Nedoma, David ; Samek, Jan (oponent) ; Zbořil, František (vedoucí práce)
Tato práce se zabývá řešením rozpoznávání objektů v obraze. Cílem bylo vytvoření programu, který bude schopný objekty v obraze rozpoznat. Postupně popisuje jednotlivé kroky zpracování nasnímaných dat. Stručně popisuje předzpracování obrazu, následně se zabývá podrobněji segmentací dat, popisem segmentovaných částí a následnou klasifikací objektů. Popisuje algoritmy a metody, které jsou pro jednotlivé kroky použitelné.
|
|
|
Strukturální metody identifikace objektů pro řízení průmyslového robotu
Minařík, Martin ; Šlapal, Josef (oponent) ; Konečný, Vladimír (oponent) ; Šťastný, Jiří (vedoucí práce)
Tato dizertační práce se zabývá využitím strukturálních metod identifikace objektů pro řízení průmyslového robotu. Nejprve je popsán současný stav znalostí v dané oblasti, tedy celý proces rozpoznávání objektů pomocí metod klasické syntaktické analýzy. Největší nevýhodou je nemožnost rozpoznávat objekty, jejichž digitalizovaný obraz je nějakým způsobem porušen či zkreslen (díky nadměrnému šumu nebo poruchám obrazu), tedy deformován. Pro rozpoznávání deformovaných objektů jsou dále popsány metody využívající strukturálního popisu pro jejich rozpoznávání – metody pro stanovení vzdáleností mezi atributovými popisy obrazů. Vlastní jádro celé práce spočívá až v kapitole 5, kde jsou popsány deformační gramatiky, jež jsou schopny popsat všechny možné deformace objektu. Komplikací při jejich analýze je nejednoznačnost deformační gramatiky, která snižuje efektivitu analýzy. Dále je věnován prostor výběru a modifikaci vhodného parseru schopného efektivně analyzovat deformační gramatiku. Popsány jsou tři typy parseru: modifikovaný Earlyho parser, modifikovaný Tomita parser a modifikovaný hybridní LRE(k) parser. Pro Earlyho parser je popsán efektivní způsob jeho implementace. Nezbytnou součástí rozpoznávání objektů je zajištění invariancí, čímž se tato práce též detailně zabývá. Závěrem jsou uvedeny výsledky popsaných algoritmů (úspěšnost a rychlost rozpoznávání deformovaných objektů) a je popsáno navržené testovací prostředí a algoritmy v něm implementované. V závěru jsou shrnuty zjištěné možnosti deformačních gramatik a jejich výsledky.
|
|
|
Metody segmentace a identifikace deformovaných obratlů ve 3D CT datech onkologických pacientů
Jakubíček, Roman ; Flusser, Jan (oponent) ; Kozubek, Michal (oponent) ; Jan, Jiří (vedoucí práce)
Tato disertační práce se zabývá návrhem metod směřujících k vymezení povrchů jednotlivých obratlů ve 3D CT datech onkologických pacientů, příslušných algoritmů a jejich ověřením. U takových pacientů se velmi často vyskytují tvarové i intenzitní změny obratlů, které výrazně komplikují řešení daného problému. Získání finálních segmentací jednotlivých obratlů včetně identifikace jejich pozice v páteře obecně vede přes několik základní kroků: detekce páteře a nalezení její osy, lokalizace jednotlivých obratlů a jejich identifikace a finální přesné segmentace. Pro tyto účely byly navrženy, realizovány a ověřeny příslušné algoritmy, užívající původních přístupů včetně využití strojového učení. Součástí řešení jsou mj. návrh a realizace algoritmu optimálních kružnic pro trasování páteřního kanálu s populačním přístupem, prostorově variantní filtrace jasového profilu cílená k lokalizaci obratlů nebo využití trénovaných modelů pro identifikaci obratlů s optimalizací pomocí dynamického programování. Přístup realizující finální segmentaci obratlů částečně navazuje na algoritmus navržený v předcházející fázi projektu (Peter 2013), který byl výrazně modifikován a rozšířen; algoritmus je v nové verzi založen na geometrické adaptaci intenzitního modelu kompletní páteře. Navržené přístupy byly testovány na několika databázích vytvořený v rámci práce a včetně volně dostupných umožňující také srovnání s algoritmy jiných autorů. Na základě provedeného detailního hodnocení lze konstatovat, že algoritmus poskytuje velmi dobré výsledky a ve srovnání s aktuálně publikovanými přístupy jiných autorů dosahuje srovnatelné nebo lepší výsledky. Na rozdíl od zmíněných publikací se zabývá nikoli jen některými zmíněnými etapami řešení, ale finálně jich využívá v komplexním algoritmu, řešícím celý postup od CT dat po přesně segmentované objemy jednotlivých identifikovaných obratlů, které tvoří vstupní data pro návaznou práci, zabývající se detekcí a klasifikací lézí. Navíc se algoritmus vyznačuje vysokou robustností vůči výskytu patologií a artefaktů v datech a relativně nízkou výpočetní náročností. Disertační práce obsahuje několik původních přístupů, které byly průběžně publikovány na mezinárodních konferencích; výsledné řešení bylo publikováno jako časopisecký článek Jakubicek a kol. (2020). Během experimentální validace ve spolupráci s lékařskými experty se ukázalo, že navržené algoritmy jsou plně využitelné pro následující analýzu nádorových lézí.
|
|
|
Systémy průmyslového vidění s roboty Kuka a jeho aplikace na rozpoznávání volně ložených prvků
Krutílek, Jan ; Pochylý, Aleš (oponent) ; Kubela, Tomáš (vedoucí práce)
Diplomová práce pojednává o robotickém vidění a jeho aplikaci na problém manipulace volně ložených prvků. Je zde uveden přehled pricipů dnes nejpoužívanějších kamerových systémů. S ohledem na řešení dané aplikace jsou uvedeny možnosti využití základních softsenzorů při rozpoznávání různých objektů. Úkolem práce je také naprogramování a realizace demonstrační úlohy při využití znalostí programování PLC, znalostí expertního programování robota v jazyce KRL, znalostí psaní skriptů pro inteligentní kameru v programu Spectation a využití znalostí síťové komunikace mezi použitými zařízeními.
|
|
|
Návrh kamerového systému s průmyslovým robotem Kuka
Rusnák, Jakub ; Pochylý, Aleš (oponent) ; Kubela, Tomáš (vedoucí práce)
Diplomová práce pojednává o využití strojového vidění s roboty KUKA v oblasti identifikace a manipulace většího počtu různých objektů. V úvodní a teoretické části práce je popsán současný stav a možnosti systémů průmyslového vidění na trhu. Součástí práce je také demonstrační aplikace zabývající se rozpoznáním objektů (mincí) kamerovým systémem SICK IVC 2D, a jejich následné roztřídění průmyslovým robotem KUKA KR 3. V aplikaci je dále řešena síťová komunikace kamery s robotem přes PLC, programování robotu v jazyce KRL a program rozpoznávání prvků v prostředí IVC Studio.
|
|
|
Generátor syntetických dat pro vývoj detektorů dronů
Zlatníčková, Marie ; Dobrovský, Ladislav (oponent) ; Škrabánek, Pavel (vedoucí práce)
Tato diplomová práce se zabývá problematikou tvorby snímků realisticky vypadajících snímků z 3D modelů dronů. V textové části této práce jsou vysvětleny základní pojmy ve zpracování digitálního obrazu a použití neuronových sítí při detekci a rozpoznávání objektů v obraze. V praktické části této práce je popsáno softwarové řešení, které z digitálních 3D modelů vytváří barevné oštítkované snímky obsahující jeden či více dronů, v různých fázích letu, s různým nasvícením, natočením a rozostřením.
|
|
|
Metody segmentace a identifikace deformovaných obratlů ve 3D CT datech onkologických pacientů
Jakubíček, Roman ; Flusser, Jan (oponent) ; Kozubek, Michal (oponent) ; Jan, Jiří (vedoucí práce)
Tato disertační práce se zabývá návrhem metod směřujících k vymezení povrchů jednotlivých obratlů ve 3D CT datech onkologických pacientů, příslušných algoritmů a jejich ověřením. U takových pacientů se velmi často vyskytují tvarové i intenzitní změny obratlů, které výrazně komplikují řešení daného problému. Získání finálních segmentací jednotlivých obratlů včetně identifikace jejich pozice v páteře obecně vede přes několik základní kroků: detekce páteře a nalezení její osy, lokalizace jednotlivých obratlů a jejich identifikace a finální přesné segmentace. Pro tyto účely byly navrženy, realizovány a ověřeny příslušné algoritmy, užívající původních přístupů včetně využití strojového učení. Součástí řešení jsou mj. návrh a realizace algoritmu optimálních kružnic pro trasování páteřního kanálu s populačním přístupem, prostorově variantní filtrace jasového profilu cílená k lokalizaci obratlů nebo využití trénovaných modelů pro identifikaci obratlů s optimalizací pomocí dynamického programování. Přístup realizující finální segmentaci obratlů částečně navazuje na algoritmus navržený v předcházející fázi projektu (Peter 2013), který byl výrazně modifikován a rozšířen; algoritmus je v nové verzi založen na geometrické adaptaci intenzitního modelu kompletní páteře. Navržené přístupy byly testovány na několika databázích vytvořený v rámci práce a včetně volně dostupných umožňující také srovnání s algoritmy jiných autorů. Na základě provedeného detailního hodnocení lze konstatovat, že algoritmus poskytuje velmi dobré výsledky a ve srovnání s aktuálně publikovanými přístupy jiných autorů dosahuje srovnatelné nebo lepší výsledky. Na rozdíl od zmíněných publikací se zabývá nikoli jen některými zmíněnými etapami řešení, ale finálně jich využívá v komplexním algoritmu, řešícím celý postup od CT dat po přesně segmentované objemy jednotlivých identifikovaných obratlů, které tvoří vstupní data pro návaznou práci, zabývající se detekcí a klasifikací lézí. Navíc se algoritmus vyznačuje vysokou robustností vůči výskytu patologií a artefaktů v datech a relativně nízkou výpočetní náročností. Disertační práce obsahuje několik původních přístupů, které byly průběžně publikovány na mezinárodních konferencích; výsledné řešení bylo publikováno jako časopisecký článek Jakubicek a kol. (2020). Během experimentální validace ve spolupráci s lékařskými experty se ukázalo, že navržené algoritmy jsou plně využitelné pro následující analýzu nádorových lézí.
|
|
|
Applications of Machine Learning for Detecting and Counting Objects in Cell Biology
Brázdilová, Květa ; Stopka, Pavel (vedoucí práce) ; Hoksza, David (oponent)
Současný biologický výzkum vytváří velké množství dat, která vyžadují automatizaci pro efektivní analýzu. V poslední době vznikají pro mnohé z těchto problémů řešení využívající strojové učení. Tato práce se zaměřuje na aplikace strojového učení pro analýzu obrazu, například detekci buněk v mikroskopickém snímku a jejich klasifikaci dle fenotypu. Po krátkém úvodu do strojového učení obecně bude představeno osm publikovaných metod využívajících strojové učení pro detekci nebo klasifikaci objektů v biologických snímcích. Dále bude uvedeno pět open-sourcových softwarových nástrojů pro obrazovou analýzu v biologii, které využívají některé z metod zmíněných výš. Dále je popsán nový project, jehož cílem je vytvořit konvoluční neuronovou síť na počítání bakteriálních kolonií na agarových plotnách. Na závěr jsou diskutovány výsledky tohoto projektu. Klíčová slova: strojové učení, neuronová síť, rozpoznávání objektů, buněčná biologie, segmentace
|
|
|
Object recognition using 3D convolutional neural networks
Moravec, Jaroslav ; Lokoč, Jakub (vedoucí práce) ; Straka, Milan (oponent)
Název: Rozpoznávání objektů pomocí 3D konvolučních neuronových sítí Autor: Jaroslav Moravec Katedra: Katedra softwarového inženýrství Školitel: RNDr. Jakub Lokoč, Ph.D., Katedra softwarového inženýrství Abstrakt: S rychlým rozvojem laserů a senzorů se velmi usnadnilo skenování i ukládání objektů do digitální podoby v perzistentních databázích. S rostoucím počtem naskenovaných 3D objektů je nezbytné vyvinout metody pro práci s těmito daty a jejich vyhledávání. Pro různé úkoly vyhledávání je také potřeba, aby tyto vyhledávací modely byly co nejefektivnější. V naší práci se zaměřujeme na efektivní klasifikaci a vyhledávání podobných objektů. Studovaný přístup se zakládá na konvolučních neuronových sítích, tedy metodě strojového učení, která v posledních letech zažívá boom. Navrhli jsme a natrénovali několik architek- tur 3D konvolučních neuronových sítí a testovali jsme je na nejmodernějších 3D datasetech pro rozpoznávání a vyhledávání podobných 3D objektů. Podařilo se nám též ukázat, že naučené znaky objektů z jednoho datasetu se mohou následně použít na určení tříd objektů z jiného 3D datasetu. Klíčová slova: Rozpoznávání objektů, 3D konvoluce, neuronové sítě
|
|
|
Návrh vhodné topologie neuronové sítě pro rozpoznání objektů v trávních porostech
Polívka, Tomáš ; Pavlíček, Josef (vedoucí práce) ; Hanzlík, Petr (oponent)
Tato bakalářská práce popisuje testování umělých neuronových sítí v závislosti na učebním souboru dat pro rozpoznání základních tvarů v travním porostu. Experimentováním s různými topologiemi sítí v programu Neuroph Studio byly zaznamenány hodnoty o úspěšnosti rozpoznání. Testování probíhalo na třech učebních množinách základních tvarů. Ověření schopnosti učení sítí bylo zkoušeno pomocí fotografií čtyř základních tvarů pořízených v trávě (čtverec, obdélník, kruh a trojúhelník). Při vyhodnocování nejvhodnější topologie byla definována dvě hlavní kritéria. Počet úspěšných rozpoznání tvarů a rozdělení podle rozpoznaných objektů.
Teoretická část práce popisuje funkcionalitu a vlastnosti neuronových sítí, rozpoznání obrazu pomocí detekce hran a existující aplikace pro rozpoznání druhů rostlin.
|
host ::
RSS.