SADEL, J. Rozpoznání počasí z kamerových snímků/sekvencí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Předložená diplomová práce pana Sadela má 88 normostran (celkem 112) a je po formální i grafické stránce dobře upravena s minimem chyb. Za čistě teoretické lze považovat kapitoly 1-4. Kdy čtvrtou kapitolu, literární rešerši v problematice rozpoznání počasí v dopravních scénách, považuji za nejcennější. Škoda, že je jí věnováno jen cca 5,5 stran a nejsou hlouběji rozvedeny myšlenky z vyhledaných odborných článků třeba i na úkor obecnějších teoretických kapitol - o počasí, veličinách a způsobech jak ho měřit, o zpracování obrazu a o neuronových sítích - celkem 32 stran. Seznam literatury uvádí 53 správně citovaných zdrojů, se kterými je správně pracováno i v textu. Na základě studia literárních zdrojů a vlastních úvah student navrhl, implementoval a porovnal či zkombinoval pro jednotlivé dílčí řešené úlohy vždy několik variant řešení. Navrhl tři metody segmentace vozovky a jednu metodu vyhodnocení jejího stavu, dvě metody detekce srážek a čtyři postupy rozpoznání mlhy. K tomu přidal klasifikaci snímků do pěti stavů (oblačno, mlha, déšť, sněžení a slunečno) pomocí dvou modelů KNN. U některých řešení lze samozřejmě zvažovat, zda by jiná volba postupu či parametrů nevedla k lepším výsledkům a jak by řešení fungovalo ve speciálnějších případech. Přesto, a přes značnou míru abstrakce počasí a velké množství různých kombinací situací, student svá řešení dovedl až k možnosti testování na různých typech scén, prostředích, okolních podmínkách, stavech počasí atd., a to s relativně dobrými výsledky. Škoda však je, že student pravděpodobně nevyužil pro vyhodnocení, resp. pro anotaci, data z meteostanic na reálných stanovištích, která dostal k dispozici. Testování pak mohlo být snadněji provedeno na více snímcích. Přínosné je, že autor přidává vedle zhodnocení výsledků i cenné omezující podmínky, vlastní závěry a doporučení. Pro další práci jsou přínosné i pořízené datasety. Přesto jsem doufala, že práce dojde ještě o kus dál, že kombinací jednotlivých metod a přístupů a přidáním nadřazené logiky vytvoří student program, který bude schopen ošetřit i některé krajní situace. V práci mi také chybí analýza, případně experiment, za jakých okolností (pozadí, směr osvětlení atd.) lze ve snímcích vidět, resp. detekovat, dešťové kapky. Pan Sadel pracoval na své diplomové práci aktivně a své dílčí výsledky pravidelně prezentoval a konzultoval. Předloženým dokumentem a výsledky své práce prokázal dle mého názoru inženýrské schopnosti, proto práci doporučuji k obhajobě s hodnocením B (80b).
Cílem diplomové práce pana Sadela bylo navrhnout algoritmy pro určení klimatických parametrů scény z dohledových kamer. Diplomová práce je rozdělena do 8 hlavních kapitol, po formální stránce nemám vážných výtek. V úvodu práce student tématicky rozebírá měřené klimatické veličiny a způsob jejich měření běžnými senzory. Obecná zvyklost si bohužel žádá i teoretický úvod do základů zpracování obrazu – kapitola 2, kde jsou popsány základní metody pro práci s obrazem. Vzhledem k pozdější realizaci a použití metod pro detekci hran (v případě rozpoznání mlhy) je zde přehled základních hranových detektorů. V další kapitole se student věnuje neuronovým sítím, které později taktéž budou použity. V poslední teoretické kapitole diplomant provedl rešerši používaných metod. Vše je dostatečně ozdrojováno. V praktické části student vhodně navrhl 3 parametry, které mohou být kamerou detekovatelné či měřitelné – tedy srážky, mlha a srážky na vozovce. Využitelnost těchto parametrů pro údržbu silnic nebo bezpečnost provozu je zřejmá a motivace takového měření je dostatečně popsána. Tyto 3 parametry poté student měřil pomocí klasických metod i pomocí neuronových sítí. Ke klasickým metodám mám několik výhrad. Při detekci mlhy diplomant uvažuje jako parametr rozmazání hran nebo změnu kontrastu porovnanou s referenčním snímkem pořízeným bez mlhy. Tato metoda nemusí být spolehlivá v reálných podmínkách – nereflektuje typické špinění skel dopravních kamer. Zde by bylo vhodné a ne ani složité navrhnout autokalibrační metodu, která by úroveň hran sledovala dlouhodobě a kompenzovala by dlouhodobou degradaci hran vlivem špinavého objektivu nebo krycího skla. V závěru práce pak student porovnává jednotlivé přístupy – jak použití klasických metod, tak neuronových sítí. Porovnané úspěšnosti jsou velmi pěkné, 90% a 94,5%. Toto je ale podle mě největší nonsens. Úspěšnost klasických metod byla zhodnocena na datasetu 3 stanovišť stacionárních dopravních kamer monitorujících vozovku a její blízké okolí. Kdežto neuronové sítě byly trénovány a testovány na veřejně dostupném datasetu úplně jiného charakteru, takže toto nelze vůbec porovnávat. Klasické metody diplomant programoval v C++ (Visual Studio) s podporou OpenCV. Bývá dobrým zvykem přeložený release doplnit o všechny knihovny potřebné pro spuštění, toto se však úplně nepovedlo. Odmítám pro vyzkoušení funkcionality odinstalovat svou aktuální verzi a nainstalovat starší (v tomto případě 4.4.0). Nicméně napsaný kód oplývá dostatkem štábní kultury, je přehledný a dostatečně okomentovaný. I přes výše uvedené výtky se domnívám, že byly splněny požadavky na diplomovou práci, a doporučuji práci k obhajobě. Hodnotím 72 bodů/C.
eVSKP id 134526