Detekce povrchových defektů kovových dílů pomocí neuronových sítí

Simple item page
but.committeedoc. Ing. Pavel Šilhavý, Ph.D. (předseda) doc. Ing. Vladislav Škorpil, CSc. (místopředseda) Ing. Ondřej Mokrý, Ph.D. (člen) Ing. Ondřej Krajsa, Ph.D. (člen) Ing. Petr Blažek (člen) Ing. Ivan Míča, Ph.D. (člen) Ing. Milan Šimek, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta. Otázky oponenta: Do které kategorie (supervised, semi-supervised, unsupervised, self-supervised) patří metoda CutPaste a proč? Vysvětlete následující termíny: supervised, semi-supervised, unsupervised, self-supervised.cs
but.jazykčeština (Czech)
but.programTelekomunikační a informační systémycs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorJežek, Štěpáncs
dc.contributor.authorHadwiger, Tomášcs
dc.contributor.refereeJonák, Martincs
dc.date.created2024cs
dc.description.abstractTato práce je zaměřená na problematiku detekci povrchových anomálií na kovových dílech. Cílem bylo implementovat různé architektury neuronových sítí s použitím metody CutPaste a poměřit jejich výsledky na třídách tří různých datových množin: MVTec AD, MPDD a MPDD2. Pro třídy objektů množiny MVTeC AD se ukázala jako nejpřesnější architektura ResNet-18 s přesností 84,45 AUROC, pro materiály to byla architektura EfficientNet s průměrnou přesností 87,22 AUROC. Pro množiny MPDD a MPDD2 byla naměřena jako nejpřesnější architektura ResNet50 s průměrnou přesností 88,64 a 61,10 AUROC. Podle naměřených hodnot je množina MPDD2 nejtěžší pro detekci anomálií.cs
dc.description.abstractThe goal of this thesis is focused on surface anomaly detection on metal parts. The goal was to implement different neural network architectures using the method CutPaste and compare them on three different datasets: MVTec AD, MPDD, MPDD2. For the object classes of the dataset MVTec AD the most accurate architecture turned out to be ResNet-18 with average precision of 84,45 AUROC, for the materials it was the EfficientNet architecture with average precision of 87,22 AUROC. For the MPDD and MPDD2 datasets, the most accurate architecture was ResNet50 with average precision of 88,64 AUROC and 61,10 AUROC respectively. Based on the measure values, the most difficult dataset for anomaly detection turned out to be MPDD2.en
dc.description.markBcs
dc.identifier.citationHADWIGER, T. Detekce povrchových defektů kovových dílů pomocí neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other160866cs
dc.identifier.urihttp://hdl.handle.net/11012/246543
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectautomatizacecs
dc.subjectdetekce anomáliícs
dc.subjectneuronové sítěcs
dc.subjectpočítačové viděnícs
dc.subjectprůmyslová kontrola kvalitycs
dc.subjectautomationen
dc.subjectanomaly detectionen
dc.subjectneural networksen
dc.subjectcomputer visionen
dc.subjectindustrial quality controlen
dc.titleDetekce povrchových defektů kovových dílů pomocí neuronových sítícs
dc.title.alternativeSurface defect detection of metal parts based on neural networksen
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2024-06-10cs
dcterms.modified2024-06-12-10:32:47cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid160866en
sync.item.dbtypeZPen
sync.item.insts2025.03.17 17:18:59en
sync.item.modts2025.01.17 13:39:43en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
6.06 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
33.65 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_160866.html
Size:
4.73 KB
Format:
Hypertext Markup Language
Description:
file review_160866.html
Download
Collections
2024