LUKASZCZYK, J. Vizuální detekce anomálií v průmyslové výrobě [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Pan Lukaszczyk zpracoval diplomovou práci na téma Vizuální detekce anomálií v průmyslové výrobě. Zadání práce je obecně spíše náročné, protože jde o téma, které není v praxi dosud běžně řešeno. Diplomant navázal na stávající práci skupiny v oblasti detekce anomálií a svými úkoly dosáhl praktické implementace laboratorního kamerového systému, který pracuje spolehlivě. Diplomant využíval konzultací tak, jak bylo potřeba při zpracování jednotlivých bodů zadání, poté pracoval samostatně. Reálně doplnil testovací přípravek, navrhl a na 3D tiskárně vyrobil vlastní osvětlení, podílel se významnou měrou na implementaci řídicí aplikace Anubis, adaptoval vyhodnocovací algoritmus DeepSVDD, sestavil vlastní rozsáhlý dataset dvou-pohledového kamerového systému a především provedl řadu časově a technicky náročných experimentů pro nalezení sub-optimální sady hyperparametrů zvolené metody. Práci diplomanta hodnotím jak po formální, tak po věcné stránce jako výbornou a hodnotím stupněm A.
Zadání diplomové práce Bc. Jakuba Lukaszcyka má odpovídající odbornou i praktickou náročnost požadovanou pro vysokoškolské diplomové práce. Práce se zabývá metodami vhodnými pro automatizovanou vizuální detekci defektů průmyslových výrobků založenou na použití metod jednotřídní klasifikace obrazových dat. Cílem práce bylo provést nejprve základní rešerši metod jednotřídní klasifikace obrazových dat. Jedná se o specifickou variantu učení klasifikátoru s využitím tréninkových dat obsahující pouze jednu třídu tzv. validních příkladů. Výsledkem učení vznikne klasifikátor, který je při běžném režimu schopen klasifikovat příklady do dvou tříd: validní / nevalidní (tzv. anomálie). Úkolem bylo sestavit seznam architektur klasifikátorů vhodných pro tuto variantu učení. Mezi další úkoly patřila definice vhodné praktické demonstrační úlohy využívající tuto variantu učení. Dále bylo nutné modifikovat stávající HW a SW pro pořízení databáze snímků i pro trénování a validaci klasifikátoru. Následně bylo nutné pořídit dostatečné množství tréninkových a zkušebních obrazových dat. Dalším krokem byla závěrečná implementace zvolené klasifikační metody v jazyce Python do formy rozšíření existující aplikace Anubis. Pomocí této aplikace je možné v rámci demonstrace funkčnosti klasifikátoru, snímat pomocí dvou kamer testovací snímky a modifikovat důležité parametry učení. Posledními body zadání bylo ověření funkce klasifikátoru na specifických učících a testovacích úlohách včetně zhodnocení dosažených výsledků. Text diplomové práce má cca 93 stran. V první kapitole se student věnuje teoretickému úvodu s popisem základního rozdělení klasifikačních metod a rešerši architektur vhodných pro unární klasifikaci. V této kapitole student popisuje několik možných klasifikačních architektur: síť typu autoenkodér, Generativní adversiální (soupeřící) sítě, sítě DeepSVDD a DDR-ID. Následně srovnává jejich vlastnosti. Pro další řešení však student využívá pouze sítě DeepSVDD a bylo by tedy vhodnější, kdyby se v této kapitole věnoval podrobněji popisu pouze této metody. Takto vznikla rozsáhlá kapitola, v jejímž textu se diplomant snaží popsat příliš mnoho klasifikačních metod bez detailního popisu té, kterou následně jedinou využíval. Jako oponent bych tak měl k této kapitole připomínku k jejímu zbytečnému rozsahu. V kapitole 2 pojmenované „praktická část“ diplomant popisuje jak změny HW platformy pro automatické snímání obrazu (kamery, osvětlení scény, pohyblivý dopravník), jím navržené a realizované modifikace původního SW Anubis, tak i volbu průmyslového výrobku, který bude snímat a klasifikovat. Jako oponent bych doporučil tuto rozsáhlou kapitolu rozdělit na několik menších kapitol s vhodnými názvy, tak aby byla čtenáři umožněna rychlejší orientace v textu. Diplomant v této kapitole také zvolil, pravděpodobně po konzultaci s vedoucím, jako vhodný objekt k detekci anomálií, výrobek potravinářského průmyslu – dvojdílná sušenka. Pro tento výrobek vytvořil dataset snímků, včetně sady snímků obsahující výrobek s definovanými anomáliemi. Kapitola 3 má dostatečný rozsah a věnuje se v jednotlivých podkapitolách detailně prezentaci výsledků provedených experimentů s parametry učení. V této kapitole spatřuji hlavní přínos diplomové práce. Závěrečná kapitola se dostatečně detailně věnuje zhodnocení výsledků a návrhu dalších možných vylepšení. Celková formální úprava práce a její jazyková kvalita, je na akceptovatelné úrovni. Text přesto obsahuje větší množství chybějících slov a překlepů, hlavně v části věnované popisu vlastní práce studenta, z čehož usuzuji, že student věnoval při dopracování větší prostor první (tj. teoretické) části textu práce. Přesto si myslím, že by měla být úroveň textu v obou částech na shodné kvalitativní úrovni. V dalších kapitolách jsou některé pojmy a zkratky v textu vysvětleny daleko později a nikoliv při jejich prvním použití. V textu práce také zcela chybí rejstřík zkratek a pojmů s vysvětlením jejich významu. Textu práce lze také vytknout využívání anglických slov dle českých pravidel pro skloňování a časování např.: „přeresolutionsů“, „frameworků“, apod. Proto si myslím, že měl diplomant text práce na závěr zkontrolovat pečlivěji. Práce studenta s literaturou je na dobré úrovní. V textu diplomant vhodně cituje literární odkazy. Na dvou přiložených DVD jsou archivovány všechny zdrojové texty realizované aplikace i DeepSVDD klasifikátoru a také pořízené tréninkové a validační sady snímků. Z úrovně zpracování textu práce odhaduji, že se student věnoval řešení práce v rozsahu, který dané zadání požadovalo. Přes uvedené nedostatky mohu zodpovědně konstatovat, že předložená práce svědčí o inženýrských schopnostech diplomata a práci tedy doporučuji k obhajobě. Studentovi navrhuji hodnocení diplomové práce stupněm: Velmi dobře - B. (85).
eVSKP id 151579