KUNZ, J. Klasifikace vozidel na základě dat z magnetometrů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Pan Kunz vypracovával diplomovou práci na téma klasifikace vozidel na základě dat z magnetometrů. Téma si zapsal až jako diplomovou práci, přesto začal svědomitě na úloze pracovat již v prvním semestru. Byl aktivní, konzultoval, pružně reagoval na mé podněty i sám přicházel s novými nápady, průběžně prezentoval postup prací. Podle mě všech známých skutečností není dokument plagiátem. Podobnost (systém Theses detekoval 4,1 %) je dána především formálními náležitostmi. Struktura práce je vcelku logická a přehledná, s jasným postupem od teoretických základů přes metodiku až k výsledkům. Text je formálně i graficky dobře upraven. K pochopení problematiky by čtenářovi možná pomohlo více obrázků (např. více průběhů a RGB map pro různá vozidla, ukázka výsledků filtrace různými metodami apod.). Text je psán srozumitelně, s odpovídající odbornou terminologií. Jazyková úroveň je nižší, vyskytuje se relativně více překlepů a drobných jazykových nepřesností. Práce obsahuje kompletní seznam literatury s 30 zdroji, které jsou korektně citovány. V rámci teoretických kapitol (1 až 4 – 22 stran) jsou popsány obecně weight-in-motion systémy, v dopravě používané technologie senzorů, konkrétní typy magnetometrů včetně jejich vlastností a omezení a používané klasifikační systém vozidel. Dále jsou ve 4. kapitole popsány v práci využité metody strojového učení - rozhodovací stromy, KNN a konvoluční neuronové sítě a metriky vyhodnocení jejich úspěšnosti. V rámci teorie bych uvítala detailnější zpracování literárních zdrojů ke konkrétnímu řešenému problému, tedy využití dat magnetometrů ke klasifikaci (např. zdroje [5], [14], [25]) – zvolené postupy, extrahované příznaky, testované klasifikátory apod. Od páté kapitoly začíná popis vlastního řešení (praktická část celkem 33 stran). Nejdříve jsou vybrány vhodné SW nástroje a popsána dodaná vstupní data. Dále následuje navržený nezbytný několikastupňový krok validace magnetometrických záznamů a párování s kontrolními daty. Nejobjemnější kapitola (kap. 8 – 22 stran) se věnuje vlastní realizaci klasifikačních algoritmů, resp. i přípravě dat pro klasifikátory a zhodnocení. Zde by asi bylo lepší kapitolu rozdělit na přípravu a klasifikaci nebo na tradiční klasifikátory strojového učení a klasifikátory hlubokých konvolučních neuronových sítí, jelikož z principu vyžadují jiné vstupy (extrakce příznaků vs. obrázek). Na druhou stranu však oba přístupy mají společnou potřebu spolehlivé podélné separace vozidel, filtrace šumu a časové, případně i amplitudové, normalizace signálu. Pro všechny tyto kroky student testoval několik přístupů, průběžně ověřoval vliv na výsledky klasifikace, a i pro finální otestování připravil řešení v několika variantách. Ocenit je třeba i implementaci paralelního zpracování. Z hlediska ML algoritmů je, jak student ověřil, nejpřínosnějším atributem počet náprav a další příznaky odvozené od správné detekce náprav, proto pan Kunz navrhl postup hledání vrcholů, který má sice jisté rezervy, ale vzhledem k diverzitě vstupních dat je toto pochopitelné. Celkem jako nejpřínosnější vyhodnotil a z dat extrahoval 11 příznaků. Pro klasifikaci založenou na CNN připravil obrázky charakteru 1D (černobílý průběh) i 2D signálu (vícesenzorová RGB heatmapa). Ve výsledku vyhodnocoval a porovnával šest sestavených klasifikátorů – dva ML (Boosted Tree a KNN) využívajících extrahované příznaky a čtyři DL se vstupem v podobě obrazů (tři různě upravené 1D signály a jedna RGB mapa). K části vyhodnocení mám jisté výhrady. Chybí mi např. údaj o velikosti datasetu včetně zastoupení jednotlivých tříd a jak byl dataset rozdělen pro učení. Některé popisy výsledků neodpovídají grafům, resp. obrázky 8.5 a 8.6 jsou stejné. Porovnávané jsou jiné způsoby validace – u ML křížová validace u DL rozdělení na trénovací a testovací část, pravděpodobně v poměru 8:2. Rozdílný způsob validace je celkem pochopitelný, ale bohužel vede k tomu, že jsou třídy zastoupeny v dost jiném poměru. Úspěšnost CNN klasifikátorů přes 97 % je až podezřele dobrá, po nahlédnutí do kódu bych řekla, že je nadhodnocena díky tomu, že pro učení byl dataset náhodně rozdělen na trénovací a testovací a pak pro vyhodnocení znovu, díky tomu se část dat použitých pro trénování dostala i do testování. Na přiloženém médiu jsou dobře strukturované a komentované zdrojové kódy v Matlabu a ukázka - jeden ze tří vstupních datasetů. Vhodné by pro ověření byly také sestavené datasety a naučené modely. Celkově bylo provedeno velké množství kvalitní, časově i odborně náročné práce. Diplomant otestoval „prošlapal“ některé možné přístupy a výsledky budou jistě užitečné pro další výzkum v této problematice. Student prokázal inženýrské schopnosti, proto práci doporučuji k obhajobě. Hodnocení B (85 b) podmiňuji objasněním situace ohledně úspěšnosti CNN klasifikátorů.
Diplomová práce pana Kunze se zabývá automatickou klasifikací vozidel na základě dat ze sady tříosých magnetometrů umístěných napříč vozovkou. Cílem práce je navrhnout a implementovat klasifikátor, který dokáže rozpoznat typ vozidla (např. osobní auto, nákladní vozidlo, autobus) podle jeho magnetické stopy. Data z magnetometrů jsou porovnávána s referenčními údaji z již instalovaných systémů vážení vozidel za jízdy (WIM). Téma práce se dá považovat za středně náročné a vysoce perspektivní. Diplomant v úvodu stručně ale věcně popisuje typy vážení vozidel za jízdy (piezoelektrické snímače, indukční smyčky, optické snímače) a následně principy magnetometrů použitelných v dopravních aplikacích spolu s omezeními, která provází použití magnetometrů. Dále popisuje zavedené normy pro klasifikaci vozidel (EUR13, COST323) a ve 4. kapitole pak základy strojového učení včetně finálně použitých metod CNN a KNN. V realizační části musel diplomant naměřená data očistit od naměřených hodnot magnetického pozadí. Při klasifikaci diplomant zkoušel cestu jak agregace dat z magnetometrů do jednorozměrného signálu, tak také klasifikaci s využitím všech dat z magnetometrů převodem XYZ odezvy na RGB snímek. Zde postrádám několik příkladů vizualizace jak jednorozměrných, tak i vícerozměrných dat pro typické kategorie vozidel. Obrovská část práce byla věnována porovnání jednotlivých metod, kdy vítězný ResNet-18 dosahoval nejlepších výsledků. Zde postrádám alespoň úvahu nebo zamyšlení, proč právě tato metoda nad těmito daty vykazovala nejlepší výsledky. Každopádně úspěšnost nad 97% předčila můj kritický odhad. V závěru pak byly změřeny časy nutné na trénování (ResNet-50) i „provoz“ jednotlivćh klasifikátorů na specifikovaném HW. Práce ve finále prošlapuje relativně snadno a levně realizovatelnou cestu pro klasifikaci vozidel na základě magnetometrů, které mají pro tuto úlohu mnoho výhod. Práce je napsána čtivě, bez přílišných gramatických chyb.
eVSKP id 168144