MARTINÍK, T. Použití metod strojového učení pro bezkontaktní detekci periodických událostí na výrobní lince [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Diplomant Tomáš Martiník si jako téma své práce přinesl firemní zadání, jehož účelem byla detekce opakujících se, nikoli nutně periodických, cyklů na robotickém výrobním pracovišti. Zadání považuji za vysoce odborně náročné i proto, že na začátku práce nebyla k dispozici od zadavatele přesná specifikace úlohy, výrobních parametrů ani časových konstant na pracovišti. Student si velmi dobře poradil se skloubením požadavků úlohy v průmyslovém provozu a požadavky na diplomovou práci. Zejména podle upřesněné definice úlohy robotického pracoviště správně zvolil dostupný radarový sensor doplněný o kameru kvůli vizuální verifikaci správnosti klasifikace detekovaných cyklů. Náročnost úlohy spatřuji mimo jiné i v tom, že cílem je na lince detekovat předem neznámé opakující se cykly robotického manipulačního ramene bez přesné znalosti časových poměrů a s nevyloučeným vstupem lidského operátora v libovolném okamžiku pracovního procesu. Student konzultoval pravidelně a udělené komentáře vždy zpracoval velmi pečlivě. Z hlediska inženýrských schopností diplomanta považuji předloženou práci za výbornou.
V rámci své diplomové práce se pan bakalář Tomáš Martiník zabýval implementací systému pro detekci periodických jevů na výrobní lince - periodickým jevem je zde myšlen například pravidelný pohyb průmyslového manipulátoru - za účelem neinvazivního vyhodnocování výrobního procesu. Navíc musel být systém navržený panem Martiníkem dostatečně obecný, aby jej bylo možno implementovat v různorodých prostředích již existujících fabrik. Práce má 89 normostran a je rozdělena do sedmi kapitol, přičemž v prvních dvou kapitolách se pan bakalář zabývá rešerší a ve zbývajících kapitolách návrhem, implementací a testováním zvoleného řešení. Pan Martiník úspěšně integroval pulzně-koherentní radar do softwarové architektury ROS2 a byl schopen s pomocí křížové korelace a adaptivní klasifikace získaného signálu dosáhnout robustní detekce periodických jevů, a to i v dynamických a zašuměných prostředích. Následně vytvořený systém otestoval v reálném prostředí (průmyslový manipulátor a dvě pracovní stanice výrobní linky), přičemž dosahoval vysoké přesnosti (až 99%) za použití minimálního počtu trénovacích vzorů (2). Menší výtkou je chybějící analýza praktické stránky vytvořeného řešení jako je například nákladnost a složitost takto provedeného retrofitu. Student se mimo jiné musel vypořádat s řadou dílčích technických problémů, jako například nutnosti redukce zpracovávaných radarových dat pomocí analýzy hlavních prvků (ang. PCA). Mezi další součásti řešení patřilo doučení modelu YOLOv5 nebo použití knihovny STUMPY pro detekci periodických jevů, využití dvou módů snímání poskytnutého radarového modulu ("sparse" a "envelope") a navržení vlastní platformy pro upevnění kamery a radaru. Práce je vyhotovena nad rámec schopností průměrného studenta magisterského programu a proto doporučuji stupeň A (99b).
eVSKP id 167593