KOTRLÝ, M. Klasifikace kolejových vozidel [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Cílem diplomové práce p. Kotrlého bylo vytvořit klasifikátor jednotlivých typů osobních kolejových vozidel na základě nasnímaného obrazu vlakové soupravy line-scan kamerou s liniovým osvětlením. Zadání lze považovat za středně obtížné. V teoretickém úvodu práce diplomat obsáhle rozebírá relevantní teorii zpracování obrazu a strojového učení. V praktické části pak bylo navrženo, implementováno a porovnáno několik metod. Vzhledem k omezenému datasetu byla dosažena velmi dobrá úspěšnost. Kladen byl také důraz na rychlost klasifikace pro budoucí použití v reálném čase. Student vytvořil GUI pro testování s možností výběru metody učení i samotného klasifikátoru. Nad rámec zadání pak diplomant vytvořil metodu pro dělení jednotlivých vozů, která je jednoduchá ale účinná. Samotný kód je psán v Pythonu přehledně a srozumitelně. I přes méně obsáhle popsanou praktickou část pozitivně hodnotím celkový přístup studenta k dané problematice, byly splněny všechny body zadání a výsledky práce jsou připraveny k nasazení do reálného provozu na drážním systému ve Vojkovicích. Práce svědčí o inženýrských schopnostech diplomanta a doporučuji ji k obhajobě.
Práce Michala Kotrlého se zabývá vylepšením a nahrazením stávajícího systému pro detekci kolejových vozidel za pomocí řádkové kamery. Práce samotná čítá 70 stran vlastního textu a tím se řadí k pracím poměrně rozsáhlým. Velmi rozsáhlý teoretický úvod (38 stran) popisuje zvolené metody pro zpracování obrazu a jeho klasifikaci. Student zde v první části popisuje vybrané metody pro zvýšení kontrastu, extrakci bodových příznaků pomocí deskriptoru SIFT a klasifikaci pomocí metody Bag of Visual Words. V rámci navazující kapitoly jsou pak popsány základní definice strojového učení, vybrané klasifikátory od jednodušších jako k-NN a SVM po konvoluční neuronové sítě včetně nejznámnějších zástupců, metody učení bez učitele a nakonec vyhodnocovací metriky. Tato část je napsána srozumitelně a podrobně včetně matematických vzorců, vytknul bych pouze občasné gramatické chyby a hůře přehledné členění odstavců. V praktické části je studentem nejprve představen existující dataset kolejových vozidel použitý v práci a to včetně zhodnocení jeho nedostatků. Dále je pak popsán postup a výsledky ladění použitých klasifikátorů, kde bych vytknul nevhodné rozdělení textu a příslušných grafů. které opět zhoršuje čitelnost práce. Místo českých pojmů jako "správnost CNN" použil příslušné anglické pojmy, také si myslím že metrika Accuracy (autorem zmiňovaná správnost) může být pro vyhodnocení výsledků CNN poměrně zavádějící, protože silně závisí na vyváženosti datasetu, která zde i podle studenta není vždy zaručena. Praktická část mi přijde proti teoretické poměrně stručná a až na část zabývající se dělením souprav, která byla vypracována nad rámec práce, nepříliš vhodně uchopená. Jak zmiňuji výše, tak nepokládám za vhodné použití metriky Accuracy pro vyhodnocení nevyváženého datasetu a byl bych velmi opatrný s tvrzením, že augmentace nepomohla učení CNN. Výsledky jsou prezentovány nepřehledně a práce se celkově čte hůře kvůli nevhodnému členění odstavců, řazení obrázků a celkové stylistice textu. Student každopádně prací prokázal své inženýrské schopnosti a práci navrhuji k obhajobě s hodnocením 65 bodů a známkou D, v případě uspokojivého zodpovězení otázek níže jsem ochoten zvýšit své hodnocení na 70 bodů a známku C.
eVSKP id 151625