LEINWEBER, V. Automatizace videoextenzometrů s využitím metod umělé inteligence [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2024.
Předložená práce se zabývá automatizací použití videoextenzometrů s využitím metod umělé inteligence, jejíž námět vznikl ze spolupráce mezi ÚMTMB a firmou X-Sight. Text je logicky členěn a obsahuje jen minimum gramatických chyb a překlepů, i když místy je vyjadřování neobratné. Práce s literaturou je příkladná; bylo použito značné množství zdrojů nejen v rešerši, ale i v dalších částech práce. Diplomant k řešení problému přistoupil velmi aktivně. Postup pravidelně konzultoval a vykonal velké množství samostatné činnosti. Vyzdvihnout lze jeho systematičnost a pečlivost, zejména při tvorbě datové sady, a kritický přístup k hodnocení výsledků. V této oblasti bylo odvedeno tolik práce, že ji ani nebylo možné náležitě v textu reflektovat. Výstupem práce není pouze funkční detekční model, ale také řada cenných poznatků, například ohledně hyperparametrů, nebo návrhy pro další možná zlepšení. Závěrem lze říci, že všechny cíle byly beze zbytku splněny. Navrhuji celkové hodnocení A/výborně a doporučuji práci k obhajobě.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Splnění požadavků a cílů zadání | A | ||
| Postup a rozsah řešení, adekvátnost použitých metod | A | ||
| Vlastní přínos a originalita | B | ||
| Schopnost interpretovat dosažené výsledky a vyvozovat z nich závěry | A | ||
| Využitelnost výsledků v praxi nebo teorii | A | ||
| Logické uspořádání práce a formální náležitosti | A | ||
| Grafická, stylistická úprava a pravopis | C | ||
| Práce s literaturou včetně citací | A | ||
| Samostatnost studenta při zpracování tématu | A |
Diplomová práce se zabývá vytvořením detektoru na bázi umělé neuronové sítě, jehož cílem je určit polohu a typ vzorku při měření pomocí digitální korelace obrazu (DIC). Po úvodu následuje popis problémové situace, který je velmi stručný a není z něj jasné, jakým způsobem detekce vzorků usnadní použití videoextenzometrů. Autor pouze uvádí, že detekce vzorku umožní vhodné umístění softwarového nástroje. Odpověď na tuto otázku se čtenář dozvídá až téměř na konci práce v šesté kapitole, a i zde není odpověď zcela jasná. V rešeršní části autor popisuje 2D a 3D DIC, princip rozpoznávání objektů pomocí počítačového vidění a strojové učení se zaměřením na neuronové sítě a jejich architektury specificky určené k detekci objektů v obraze. V této části se jako přebytečný jeví text k 3D DIC a také popis metody podpůrných vektorů (support vector machine), kterou autor zařazuje ke klasickým metodám určeným ke klasifikaci, nikoli k detekci. V praktické části lze vyzdvihnout odborně provedený proces tvorby datasetu, použití komplikovaného modelu YOLOv8 a dobrou orientaci autora v přesnostních metrikách pro detekci objektů. Autor zde používá několik typů modelů s různými hyperparametry, několik druhů přesnostních metrik, tři typy datasetů a tři typy vzorků k rozpoznání, což činí text pro čtenáře místy velmi náročným. V celém textu se často vyskytují překlepy (např.: "paří" namísto "patří", "zobecňováními" namísto "zobecňovacími", "lokáních" namísto "lokálních" a chybná rovnice 23), špatné skloňování (např.: "k dosažení spolehlivému přiřazení"), neformální použití předložek a spojek (např.: "v zvětšení"), a sémantické chyby a nejasnosti (např.: "velikost posouvajícího se proměnná"). Cíle práce však byly nad rámec splněny, takže práci celkově hodnotím velmi dobře.
| Kritérium | Známka | Body | Slovní hodnocení |
|---|---|---|---|
| Splnění požadavků a cílů zadání | A | ||
| Postup a rozsah řešení, adekvátnost použitých metod | A | ||
| Vlastní přínos a originalita | A | ||
| Schopnost interpretovat dosaž. výsledky a vyvozovat z nich závěry | A | ||
| Využitelnost výsledků v praxi nebo teorii | B | ||
| Logické uspořádání práce a formální náležitosti | C | ||
| Grafická, stylistická úprava a pravopis | C | ||
| Práce s literaturou včetně citací | A |
eVSKP id 154057