JULIŠ, A. Rozpoznávání nemocí rostlin pomocí umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Student neměl na začátku práce prakticky žádnou zkušenost z oblasti vývoje metod strojového učení. Během vypracování se zorientoval v základních pojmech a věnoval se důkladnému pochopení základů. Následně se zaměřil na metody věnující se zpracování obrazových dat a natrénoval vlastní model realizující tuto úlohu. Úspěsně si vyzkoušel i aplikaci pokročilé metody přeneseného učení (transfer learning). Výrazného posunu dospěl i při zkoumání patologie rostlin. Kvalita výsledku mohla být lepší, ale oceňuji vůli studenta vybrat si náročnější zadání a zdokonalit se v nové oblasti.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Informace k zadání | Bakalářská práce se zabývá rozpoznáváním nemocí rostlin pomocí umělé inteligence, což není s ohledem na nedostatek trénovacích dat jednoduché téma a je vyžadováno pokročilých technik trénování. Náročnosti přidává i přesah do oblasti patologie rostlin. Zadání hodnotím jako mírně obtížné. | ||
| Práce s literaturou | Student při řešení práce využíval doporučené studijní literatury v knižní podobě. Zároveň si obstaral vlastní literární zdroje, jejichž užití se mnou konzultoval. Při prohlubování znalostí v oblasti strojového učení čerpal z doporučené série výukových videí. | ||
| Aktivita během řešení, konzultace, komunikace | Student byl nedostatečně aktivní zejména v průběhu zimního semestru. Následně se práci věnoval odpovědným způsobem s cílem dohnat ztracený deficit, což se do jisté míry povedlo, nicméně kvalita práce mohla být v případě odpovědného přístupu od samého začátku výrazně lepší. | ||
| Aktivita při dokončování | Práce bohužel nebyla dokončena v dostatečném předstihu, k její finální podobě jsem měl přístup zhruba 2 dny před odevzdáním. Student se snažil minimalizovat vliv časového deficitu nabraného během zimního semetru. | ||
| Publikační činnost, ocenění |
Pán Juliš vo svojej práci na vyriešenie neľahkej úlohy navrhol dva zaujímavé prístupy s veľkým potenciálom. Je zrejmé, že pochopil rôzne koncepty spojené s učením neurónových sietí nad obmedzenou dátovou sadou. Taktiež je zrejmé, že venoval nemalo úsilia na naštudovanie doménových znalostí spojených s prejavmi chorôb rastlín. Síce sa mu nepodarilo dotiahnúť realizáciu navrhovaných riešení k dokonalým výsledkom, no napriek tomu si myslím, že bolo vykonané množstvo práce, na ktorej by sa dalo stavať ďalej. Technická správa by si zaslúžila viac pozornosti, ale v žiadnom prípade čitateľa neuráža.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Náročnost zadání | Zadanie hodnotím ako obtiažnejšie. Okrem naštudovania všeobecných princípov využívaných v úlohách rozpoznávania v obrazoch s využitím umelej inteligencie bolo nutné naštudovať doménovo špecifické znalosti o patológiach rastlín a špecifické metódy spojené s prácou pri nedostatku trénovacích dát. | ||
| Rozsah splnění požadavků zadání | Ciele definované v zadaní práce sú splnené. Študent sa rozhodol problém s nedostatkom dát riešiť dvoma spôsobmi: natrénovaním detekcie chorôb na datasete obsahujúcom jednu konkrétnu rastlinu s tým, že má overiť, či takto natrénovaný model dokáže dané choroby detekovať i na iných rastlinách. Druhá metóda zas využíva obecné techniky transfer learningu. Práca zároveň predstavuje porovnanie výsledkov s riešeniami predstavenými vo vedeckých článkoch a detailnú analýzu dostupných dátových sád. | ||
| Rozsah technické zprávy | Práca má štandardný rozsah. Obsahuje však mierne zbytočné časti, ako napríklad sekcia 3.3 popisujúca frameworky na modelovanie a trénovanie neurónových sietí. Práca sa taktiež mohla viac sústrediť na detailnejšie zhodnotenie súčasného stavu a byť stručnejšia v popisoch teórie počítačového videnia. | ||
| Prezentační úroveň technické zprávy | 60 | Práca začína predstavením základov z oblasti patológie rastlín. Následne je predstavená teória počítačového videnia, dátové sady využívané v úlohe detekcie a súčasný stav poznania riešenej úlohy. Ďalšie dve kapitoly sa potom postupne venujú dvom rôznym prístupom k detekcii s obmedzenou dátovou sadou. Práve tieto dve kapitoly však trpia nižšou úrovňou kvality technickej správy a zlou pochopiteľnosťou pre čitateľa. Informácie sú podávané mierne chaoticky, detaily trénovania jednotlivých modelov nie sú spomenuté vôbec alebo roztrúsené po rôznych sekciach. V kapitole zaoberajúcej sa popisu študentovho riešenia sú popisované irelevenanté detaily ako napríklad čo je to Jupyter Notebook. Nie je úplne zrejmé, či boli prvé vykonané experimenty alebo biologický prieskum. Nie je jasné aké typy chorôb sú študentovou metódou detekované a počet chorôb je nutné dohľadať o niekoľko kapitol vyššie (v kapitole 6 by ešte šla vydedukovať z rozmerov confusion matice). Modely v kapitole 6 sú referované ako “model 1”, “model 2”, …, “model 5”, ale úplne chýba špecifikácia toho, ako vyzerajú architektúry jednotlivých sietí. | |
| Formální úprava technické zprávy | 68 | Niekoľko obrázkov nie je vektorových, i keď si to žiadajú (obsahujú napríklad text). V práci je niekoľko strán obsahujúcich veľa prázdneho miesta (napríklad v kapitole 4). Pri niektorých referenciách nie je zrejmé, či sa čitateľ preklikne na sekciu, tabuľku alebo obrázok (napríklad strana 31). V práci sa vyskytuje niekoľko preklepov. | |
| Práce s literaturou | 85 | Práca cituje celkom 47 zdrojov, ide primárne o webové zdroje a vedecké články. | |
| Realizační výstup | 65 | Realizačný výstup sa skladá z troch Jupyter notebookov a z natrénovaných modelov. Hlavným výstupom sú výsledky experimentov prezentované v technickej správe. Nie je zrejmé, čo je výstupom prvej z navrhovaných metód. Tá má fungovať tak, že sa natrénuje detekcia chorôb na datasete obsahujúcom jednu konkrétnu rastlinu s tým, že sa má overiť, či takto natrénovaný model dokáže dané choroby detekovať i na iných rastlinách. Práca však žiaden iný dataset využitý na evaluáciu nespomína a teda samotná otázka, či je sieť schopná detekovať príznaky reprezentujúce choroby nezávisle na hostiteľovi je nezodpovedaná. Okrem spomínaných nejasností však autor predstavuje komparatívnu analýzu medzi jeho rôznymi metódami, rovnako ako porovnanie so state-of-the-art riešeniami. Zároveň rozumne využil princípy transfer learningu a augmentácie dát nad dvoma rôzne komplexnými datovými sadami. | |
| Využitelnost výsledků | Práca predstavuje zaujímavé myšlienky, ktoré sú však realizované skôr minimalisticky a nie sú dotiahnuté do konca. Práca v akutálnej podobe, podľa môjho názoru, nie je priamo použiteľná v praxi, no ďalší vývoj či pokročilejšia práca s datovými sadami (napr. ich kombinovanie) by mohli priniesť zaujímavé výsledky. |
eVSKP id 154716