|
|
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.
|
|
|
Detekce defektů desek ve výrobě polovodičů
Jašek, Filip ; Vágner, Martin (oponent) ; Dřínovský, Jiří (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce defektů desek ve výrobě polovodičů. V rámci této práce byly zkoumány metody identifikace defektních čipů a kontroly řízení výtěžnosti při výrobě polovodičů. Práce se rovněž zabývá metodami strojového učení pro rozpoznání obrazu s cílem klasifikace defektů ve výrobním procesu. První zvolený přístup využíval k inferenci sítě ResNet18, avšak ukázalo se, že jeho přesnost nedosahovala vysokých hodnot sledovaných metrik z důvodu nedostatečného množství vstupních dat. Pro tento sledovaný dataset tak bylo vyzkoušeno použití předtrénovaných sítí využívající topologie ResNet50v2. K navýšení metrik však došlo až s použitím jiného datasetu. Pomocí ladění hyperparametrů sítě a augmentací byly zkoumány další možnosti zlepšení výkonnosti sítě. V práci se také ukázalo, že použití autoenkodérů pro redukci datového toku při inferenci může navýšit rychlost samotné inference, avšak s degradací evaluačních metrik.
|
|
|
Detekce defektů desek ve výrobě polovodičů
Jašek, Filip ; Vágner, Martin (oponent) ; Dřínovský, Jiří (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce defektů desek ve výrobě polovodičů. V rámci této práce byly zkoumány metody identifikace defektních čipů a kontroly řízení výtěžnosti při výrobě polovodičů. Práce se rovněž zabývá metodami strojového učení pro rozpoznání obrazu s cílem klasifikace defektů ve výrobním procesu. První zvolený přístup využíval k inferenci sítě ResNet18, avšak ukázalo se, že jeho přesnost nedosahovala vysokých hodnot sledovaných metrik z důvodu nedostatečného množství vstupních dat. Pro tento sledovaný dataset tak bylo vyzkoušeno použití předtrénovaných sítí využívající topologie ResNet50v2. K navýšení metrik však došlo až s použitím jiného datasetu. Pomocí ladění hyperparametrů sítě a augmentací byly zkoumány další možnosti zlepšení výkonnosti sítě. V práci se také ukázalo, že použití autoenkodérů pro redukci datového toku při inferenci může navýšit rychlost samotné inference, avšak s degradací evaluačních metrik.
|
|
|
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.
|
host ::
RSS.