Použití metod strojového učení pro bezkontaktní detekci periodických událostí na výrobní lince
Loading...
Date
Authors
Martiník, Tomáš
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato diplomová práce představuje návrh a ověření neinvazivního systému pro detekci výrobních cyklů s využitím radarových a kamerových senzorů. Navržené řešení automaticky identifikuje opakující se vzory v datech časových řad za účelem detekce průchodů výrobků výrobními stanovišti. Důraz byl kladen na širokou použitelnost, která umožňuje nasazení v různorodých výrobních prostředích bez nutnosti úprav hardwaru, zásahu technika nebo nové certifikace systému. Kompletní řešení – zahrnující sběr dat, zpracování signálu, modelování vzoru a vyhodnocení – bylo implementováno a ověřeno na reálných datech z průmyslového prostředí, přičemž prokázalo vysokou robustnost, přizpůsobivost a praktickou využitelnost.
This thesis presents the design and validation of a non-invasive system for detecting manufacturing cycles using radar and camera sensors. The proposed solution automatically identifies recurring patterns in time series data to detect product passages through production stations. Emphasis was placed on general applicability, enabling deployment across diverse manufacturing environments without requiring hardware modifications, technician intervention, or system re-certification. The complete pipeline—covering data acquisition, signal processing, pattern modeling, and evaluation—was implemented and validated on real-world industrial data, demonstrating high robustness, adaptability, and practical viability.
This thesis presents the design and validation of a non-invasive system for detecting manufacturing cycles using radar and camera sensors. The proposed solution automatically identifies recurring patterns in time series data to detect product passages through production stations. Emphasis was placed on general applicability, enabling deployment across diverse manufacturing environments without requiring hardware modifications, technician intervention, or system re-certification. The complete pipeline—covering data acquisition, signal processing, pattern modeling, and evaluation—was implemented and validated on real-world industrial data, demonstrating high robustness, adaptability, and practical viability.
Description
Citation
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.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
prof. Ing. Michal Prauzek, Ph.D. (předseda)
doc. Ing. Petr Beneš, Ph.D. (místopředseda)
doc. Ing. Jakub Arm, Ph.D. (člen)
Ing. Martin Čala, Ph.D. (člen)
Ing. Karel Horák, Ph.D. (člen)
Ing. Libor Veselý, Ph.D. (člen)
Date of acceptance
2025-06-10
Defence
Student obhájil diplomovou práci. Komise neměla žádné námitky k řešené práci. V průběhu odborné rozpravy odpověděl na dotazy:
Kolik oken je zapotřebí pro rozhodovací algoritmus?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení