BAŠO, M. Klasifikace vozidel na základě počtu a vzdáleností náprav [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Pan Bašo vypracoval bakalářskou práci na téma klasifikace vozidel na základě počtu a vzdálenosti náprav. Odevzdaný dokument má 44 normostran (úvod – závěr), celkem se všemi náležitostmi 57 stran. Podle mě všech známých skutečností není dokument plagiátem. Podobnost (systém Theses detekoval 5,9 %) je dána především formálními náležitostmi. Text je logicky uspořádán. Popisy teorie i praktického postupu jsou vcelku srozumitelné. Úprava dokumentu je také na dobré úrovni. Vyskytuje se jen menší množství nepřesností, např. chybějící mezery mezi větami, slovem a závorkou; cca.; trochu zmatek v indexech při slovním popisu rovnic 2.13 a 2.15; podle výčtu čtyři možnosti nastavení parametru, podle textu tři (str.41) apod. Teoretické jsou první dvě kapitoly (18 stran). První se věnuje úvodu do klasifikace a použitým piezoelektrickým senzorům. Druhá je zaměřená na strojové učení. Stručně jsou popsány všechny v praktické části použité metody učení jak s učitelem, tak bez učitele. Student pro tuto pasáž využil celkem 17 relevantních zdrojů, které jsou správně citovány i referovány. Praktická část začíná výběrem vhodných SW nástrojů a popisem vstupních dat. Data jsou v podobě časové posloupnosti odezev senzorů od jednotlivých náprav, proto je prvním nezbytným krokem správná separace odezev patřící jednomu vozidlu. Pro tento účel student navrhl a testoval několik postupů (postup na základě fyzikálních limitů, K-means, DBSCAN, odhad hustoty + kombinace). Pro následné zpracování vybral shlukovací algoritmus DBSCAN, který s velkou úspěšností dokázal rozdělit vozidla v datasetu a zároveň odfiltrovat šum. Parametry byly nastaveny experimentálně na základě znalosti skutečného počtu vozidel v celém datasetu a zůstává otázkou jejich automatická volba za provozu, především při změně rychlosti. Následuje příprava dat pro klasifikaci, kdy student řešil přepočet časových pulsů na rychlost, resp. vzdálenost náprav, padding a nalezení daného vozidla ve WIM datech pro přiřazení labelu. Vzhledem k tomu, že dodaný dataset je přirozeně velmi nevyrovnaný z hlediska zastoupení jednotlivých tříd, použil pan Bašo SMOTE techniku augmentace dat. Pro klasifikaci vyzkoušel celkem čtyři klasifikátory (vícevrstvou neuronovou síť, rozhodovací strom, logistickou regresi a support vector machine). Především první dva ve výčtu dosáhly na rozšířeném datasetu velmi dobré úspěšnosti kolem 97 %. Pan Bašo přistupoval k práci svědomitě, byl aktivní, pravidelně informoval o stavu řešení, pružně reagoval na případné podněty. Podle mého názoru student splnil všechny body časově i odborně náročnějšího zadání. Navržené postupy celkově hodnotím jako správné. Výsledky jsou velmi slibné a budou jistě užitečné pro další výzkum v této problematice. Student jistě prokázal bakalářské schopnosti, proto práci doporučuji k obhajobě s hodnocením A (90 b).
Cílem práce p. Baša bylo navrhnout a implementovat klasifikátor vozidel využívající data ze dvou piezoelektrických senzorů umístěných na vozovce. Cílem bylo rozlišit typy vozidel podle počtu náprav a jejich rozestupů, s ohledem na reálné dopravní podmínky (změny rychlosti, dopravní zácpy, změny pruhů). V úvodu student popisuje princip piezoelektrických senzorů a obecnou teorii strojového učení, obé relevantně k samotné práci. V praktické části pak pro separaci vozidel byly testovány algoritmy DBSCAN, K-means, odhad hustoty jádra a konvenční metoda založená na fyzikálních výpočtech. Při zpracování datasetu byl tento augmentován technikou SMOTE pro vyvážení jednotlivých tříd. Pro samotnou klasifikaci byly porovnány modely MLP, rozhodovací strom, logistická regrese a SVM. Výsledky ukázaly, že nejlepších výsledků dosahuje MLP a rozhodovací strom. Dle očekávání všechny modely měly největší problém v záměně třídy 1 a třídy 2, tedy osobní automobil a dodávka. Tyto třídy mají podobné vnější rozměry i rozvory náprav. Škoda, že pro představu čtenáře nebyl lépe popsán dataset, využity byly až „příznakové vektory“ z původních dat snímaných piezosenzorem. Je možné, že tato původní data by mohla pomoci k ještě lepší klasifikaci. Ale chápu, že toto už je nad rámec požadavků, student tento již připravený dataset dostal jako výchozí pro svou práci. Práci hodnotím velmi pozitivně, pokrývá celý proces od separace po klasifikaci a vyhodnocení, práce má velký praktický přínos. Student možná záměrně udělal v celé práci 2 gramatické chyby a jednu tiskovou, aby bylo vůbec co vytknout (Obrázek 3.2.). Práce splňuje veškeré atributy pro studenta bakalářského studia, doporučuji k obhajobě.
eVSKP id 167989