Detekce anomálií v obraze
| but.committee | doc. Ing. František Zbořil, Ph.D. (předseda) prof. Ing. Tomáš Vojnar, Ph.D. (místopředseda) doc. Ing. Michal Bidlo, Ph.D. (člen) doc. Ing. Lukáš Burget, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Dr. Ing. Petr Peringer (člen) | cs |
| but.defence | Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázku oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: Komentujte obrázky 5.1 a 5.2. Chování vytvořené sítě je opravdu podivné a žádá si vysvětlení, které v textu není. Jak pracuje Vaše síť s různě natočenými objekty v obrazu? Z jakého předpokladu jste vycházel při vytvoření reprezentace objektu? | cs |
| but.jazyk | čeština (Czech) | |
| but.program | Informační technologie | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Juránek, Roman | cs |
| dc.contributor.author | Salvet, Lukáš | cs |
| dc.contributor.referee | Herout, Adam | cs |
| dc.date.accessioned | 2023-08-26T22:56:32Z | |
| dc.date.available | 2023-08-27 | cs |
| dc.date.available | 2023-08-26T22:56:32Z | |
| dc.date.created | 2020 | cs |
| dc.description.abstract | Tato práce se zabývá detekcí anomálií na průmyslových výrobcích. Hlavním požadavkem bylo, aby metoda vyžadovala v době konstrukce co nejméně dat s anomáliemi a aby byla snadno použitelná pro různé typy výrobků. V práci je navržena neuronová síť, která je nepřímo učena hledat rozdíly mezi dvěma obrázky. Samotná detekce anomálií by měla proběhnout na základě reprezentace vstupních dat v latentním prostoru, případně v kombinaci s rekonstrukční chybou. Byly navrženy a otestovány čtyři různé modifikace metody. Testování proběhlo hlavně na datasetu MVTec AD, který obsahuje průmyslové výrobky. Bohužel se nepotvrdil předpoklad, že pokud bude síť učena hledat rozdíly, bude možno latentní prostor lépe interpretovat. Metoda proto byla vyhodnocena v režimu rekonstrukční chyby, v kterém dosahuje srovnatelných výsledků s jinými metodami. Výsledek je nedostatečný pro použití v praxi. | cs |
| dc.description.abstract | This thesis deals with anomaly detection on industrial products. The main requirement was that the method required as little data with anomalies as possible at the time of construction and that it was easily applicable to different types of products. Neural network that is indirectly taught to find differences between two pictures is designed and described in this thesis. The anomaly detection itself should take place based on the representation of input data in latent space or in combination with a reconstruction loss. Four different method modifications have been designed and tested. The testing was mainly carried out on the MVTec AD dataset, which contains industrial products. Unfortunately the assumption that if the network is taught to look for differences the latent space will be interpreted better was not confirmed. Therefore the method was evaluated in a reconstructive error mode in~which it achieves comparable results with other methods. The result is insufficient for use in practice. | en |
| dc.description.mark | C | cs |
| dc.identifier.citation | SALVET, L. Detekce anomálií v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020. | cs |
| dc.identifier.other | 129873 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/213814 | |
| dc.language.iso | cs | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta informačních technologií | cs |
| dc.rights | Přístup k plnému textu prostřednictvím internetu byl licenční smlouvou omezen na dobu 3 roku/let | cs |
| dc.subject | detekce anomálií | cs |
| dc.subject | učení bez učitele | cs |
| dc.subject | neuronové sítě | cs |
| dc.subject | konvoluční neuronové sítě | cs |
| dc.subject | autoenkodér | cs |
| dc.subject | GAN | cs |
| dc.subject | zpracování obrazu | cs |
| dc.subject | anomaly detection | en |
| dc.subject | unsupervised learning | en |
| dc.subject | neural networks | en |
| dc.subject | convolutional | en |
| dc.subject | neural networks | en |
| dc.subject | autoencoder | en |
| dc.subject | GAN | en |
| dc.subject | computer vision | en |
| dc.title | Detekce anomálií v obraze | cs |
| dc.title.alternative | Unsupervised Anomaly Detection in Image | en |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2020-08-27 | cs |
| dcterms.modified | 2020-08-27-21:21:47 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta informačních technologií | cs |
| sync.item.dbid | 129873 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2023.08.27 00:56:32 | en |
| sync.item.modts | 2023.08.27 00:12:17 | en |
| thesis.discipline | Inteligentní systémy | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |
Files
Original bundle
1 - 3 of 3
Loading...
- Name:
- Posudek-Vedouci prace-23092_v.pdf
- Size:
- 85.46 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek-Vedouci prace-23092_v.pdf
Loading...
- Name:
- Posudek-Oponent prace-23092_o.pdf
- Size:
- 89.78 KB
- Format:
- Adobe Portable Document Format
- Description:
- Posudek-Oponent prace-23092_o.pdf
Loading...
- Name:
- review_129873.html
- Size:
- 1.42 KB
- Format:
- Hypertext Markup Language
- Description:
- review_129873.html