|
|
Detekce a klasifikace vad panelů fotovoltaických elektráren z termokamery dronu
Haužvic, Filip ; Materna, Zdeněk (oponent) ; Bambušek, Daniel (vedoucí práce)
Tato práce popisuje proces zpracování termografických snímků fotovoltaické elektrárny, pořízených termokamerou na dronu. Momentálně profesionál na inspekce elektráren manuálně analyzuje pořízené snímky a hledá v nich závady. Tento přístup je velmi časově náročný a zavedení určité míry automatizace by tento proces mohlo usnadnit a urychlit. S tímto záměrem jsem natrénoval a nasadil model neuronové sítě U-Net, který na snímcích detekuje nejčastější typ závady, kterým je „hot spot“. Pro vizualizaci nalezených závad jsem navrhl a vytvořil webovou aplikaci, která je zobrazuje v kompletní fotomozaice fotovoltaické elektrárny. V rámci aplikace může uživatel přidávat a mazat jednotlivé vady. Aplikace také umožňuje anotaci panelů, které jsou využity při tvorbě výsledné tabulky, jakmile je elektrárna kompletně anotována.
|
|
|
Klasifikace vad
Benda, Jan ; Richter, Miloslav (oponent) ; Honec, Peter (vedoucí práce)
Práce se zabývá návrhem a vytvořením klasifikátorů defektů vad nalezených na pásech kontinuální výroby. Nejprve se práce věnuje rešerši používaných metod pro klasifikaci obrazu a analýze vlastností dodaných vzorů vad na textilii. Poté je popsáno vytvořené rozhraní klasifikátoru a vytvořené grafické rozhraní pro práci s klasifikátorem. Závěrečná část práce je věnována implementaci klasifikátorů a zhodnocení jejich spolehlivosti na dodaných vzorcích vad.
|
|
|
Automatická analýza obrazu pro kontrolu kvality výroby textilií
Sýkorová, Tereza ; Dobeš, Petr (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá problematikou klasifikace defektů, které vznikají při výrobě netkaných textilií. Úloha klasifikace vad je součástí systému pro automatickou kontrolu kvality výroby. Cílem je implementovat metodu, která bude co nejlépe klasifikovat problematické třídy defektů. Toho bylo dosaženo s využitím konvolučních neuronových sítí (CNN). Nejlepší výsledky měla síť EfficientNet, která dosáhla přesnosti 81% při vyhodnocení metodou křížové validace na dostupném datasetu. V rámci práce je provedena řada experimentů, které jsou zaměřeny na úpravu vstupních dat. Zkoumán je vliv tvaru a složení vstupních snímků na výslednou klasifikaci. Implementován byl také model CNN, který kromě obrázku využívá pro klasifikaci také další informace.
|
|
|
Automatická analýza obrazu pro kontrolu kvality výroby textilií
Sýkorová, Tereza ; Dobeš, Petr (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá problematikou klasifikace defektů, které vznikají při výrobě netkaných textilií. Úloha klasifikace vad je součástí systému pro automatickou kontrolu kvality výroby. Cílem je implementovat metodu, která bude co nejlépe klasifikovat problematické třídy defektů. Toho bylo dosaženo s využitím konvolučních neuronových sítí (CNN). Nejlepší výsledky měla síť EfficientNet, která dosáhla přesnosti 81% při vyhodnocení metodou křížové validace na dostupném datasetu. V rámci práce je provedena řada experimentů, které jsou zaměřeny na úpravu vstupních dat. Zkoumán je vliv tvaru a složení vstupních snímků na výslednou klasifikaci. Implementován byl také model CNN, který kromě obrázku využívá pro klasifikaci také další informace.
|
|
|
Klasifikace vad
Benda, Jan ; Richter, Miloslav (oponent) ; Honec, Peter (vedoucí práce)
Práce se zabývá návrhem a vytvořením klasifikátorů defektů vad nalezených na pásech kontinuální výroby. Nejprve se práce věnuje rešerši používaných metod pro klasifikaci obrazu a analýze vlastností dodaných vzorů vad na textilii. Poté je popsáno vytvořené rozhraní klasifikátoru a vytvořené grafické rozhraní pro práci s klasifikátorem. Závěrečná část práce je věnována implementaci klasifikátorů a zhodnocení jejich spolehlivosti na dodaných vzorcích vad.
|
host ::
RSS.