Detekce poškození povrchu materiálu z fotografie
Loading...
Date
Authors
Marek, Radek
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zaměřuje na využití několika typů neuronových sítí pro detekci poškození povrchu materiálů z fotografií a hodnotí jejich účinnost. Identifikace různých typů poškození, jako jsou trhliny, škrábance a další defekty, je nezbytná pro posouzení kondice materiálů a může upozornit na potřebu další údržby nebo oprav. Použití pokročilých neuronových sítí umožňuje přesnější detekci a klasifikaci poškození, což je klíčové pro aplikace v oblastech jako stavebnictví, automobilový průmysl a letecké inženýrství, kde rychlá a spolehlivá diagnostika materiálových vad je kritická. Integrace těchto technologií do pravidelných inspekčních procesů může významně zlepšit prevenci havárií a prodloužit životnost konstrukčních komponent. Práce dále diskutuje možnosti zlepšení a adaptace algoritmů na specifické materiály a typy poškození. Tato práce tedy ukazuje, jak mohou pokročilé technologie strojového učení významně přispět k efektivnějšímu a spolehlivějšímu monitorování stavu materiálů, což otevírá cesty pro budoucí inovace v oblasti údržby a bezpečnosti.
This work focuses on the use of various types of neural networks for detecting surface damage of materials from photographs and evaluates their effectiveness. Identifying different types of damage, such as cracks, scratches, and other defects, is essential for assessing the condition of materials and may indicate the need for further maintenance or repairs. The use of advanced neural networks allows for more precise detection and classification of damage, which is crucial for applications in areas such as construction, the automotive industry, and aerospace engineering, where rapid and reliable diagnostics of material defects are critical. Integrating these technologies into regular inspection processes can significantly improve accident prevention and extend the lifespan of structural components. The work also discusses the possibilities for improvement and adaptation of algorithms to specific materials and types of damage. Thus, this work demonstrates how advanced machine learning technologies can significantly contribute to more effective and reliable material condition monitoring, opening paths for future innovations in maintenance and safety.
This work focuses on the use of various types of neural networks for detecting surface damage of materials from photographs and evaluates their effectiveness. Identifying different types of damage, such as cracks, scratches, and other defects, is essential for assessing the condition of materials and may indicate the need for further maintenance or repairs. The use of advanced neural networks allows for more precise detection and classification of damage, which is crucial for applications in areas such as construction, the automotive industry, and aerospace engineering, where rapid and reliable diagnostics of material defects are critical. Integrating these technologies into regular inspection processes can significantly improve accident prevention and extend the lifespan of structural components. The work also discusses the possibilities for improvement and adaptation of algorithms to specific materials and types of damage. Thus, this work demonstrates how advanced machine learning technologies can significantly contribute to more effective and reliable material condition monitoring, opening paths for future innovations in maintenance and safety.
Description
Keywords
poškození porvrchu materiálu, konvoluční neuronové sítě, strojové vidění, neuronová síť, klasifikace obrazu, detekce objektů, sémantická segmentace, segmentace instancí, dataset, YOLO, Detectron, MaskRCNN, FasterRCNN, RetinaNet, material surface damage, convoluted neural network, machine vision, neural network, image clasification, object detection, semantic segmentation, instance segmentation, dataset, YOLO, Detectron, MaskRCNN, FasterRCNN, RetinaNet
Citation
MAREK, R. Detekce poškození povrchu materiálu z fotografie [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Dr. Ing. Jan Černocký (předseda)
Ing. Ivana Burgetová, Ph.D. (člen)
Ing. Michal Hradiš, Ph.D. (člen)
Ing. Josef Strnadel, Ph.D. (člen)
doc. RNDr. Dana Hliněná, Ph.D. (člen)
Date of acceptance
2024-06-10
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 otázky oponenta a na další otázky přítomných, např. ohledně velikosti datových sad použitých v rámci tohoto projektu, přístupnosti použitých datových sad a spolehlivosti detekce u vytvořeného řešení. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C - dobře.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení