Využití hlubokých neuronových sítí pro vyhodnocení metalografických výbrusů
| but.committee | prof. Ing. Martin Hartl, Ph.D. (předseda) doc. Ing. Daniel Koutný, Ph.D. (místopředseda) doc. Ing. Pavel Maňas, Ph.D. (člen) doc. Ing. Ivan Mazůrek, CSc. (člen) prof. Ing. Jan Vimmr, Ph.D. (člen) doc. Ing. Petr Voltr, Ph.D. (člen) Ing. Aleš Dočkal, Ph.D. (člen) doc. Ing. Radomír Mendřický, Ph.D. (člen) | cs |
| but.defence | Student prezentoval výsledky své diplomové práce a zodpověděl otázky oponenta. Otázka oponenta 1: Jaký je podle Vás potenciál aplikace hlubokého učení a moderních technik zpracování obrazu v oblasti hodnocení a analýzy materiálů vyrobených aditivní výrobou pro průmyslové aplikace? ZODPOVĚZENO Otázka oponenta 2: Jaké jsou hlavní výhody a omezení použití hlubokých neuronových sítí pro zpracování metalografických obrazů podle vašeho výzkumu? ZODPOVĚZENO doc. Mazůrek – Jak mohutné byly tréningové sety? Jednalo se o tisíce vzorků? ZODPOVĚZENO doc. Mazůrek – Bylo to z jediného vzorku? ZODPOVĚZENO prof. Hartl – Umožňuje vaše práce kategorizaci defektů? ZODPOVĚZENO prof. Hartl – Jaké jsou kategorie defektů? ZODPOVĚZENO prof. Hartl – Jak se pozná pór podle nedostatku energie od jiného? ZODPOVĚZENO prof. Hartl – Jaký mají póry tvar a jak se vyjadřuje energie? ZODPOVĚZENO prof. Hartl – Jak ta síť pozná, že se jedná o pór? ZODPOVĚZENO doc. Mazůrek – S jakou veličinou pracujete, jedná se o stupně šedi? ZODPOVĚZENO doc. Mazůrek – Jaký je rozdíl mezi hlubokým a mělkým učením? ZODPOVĚZENO doc. Mazůrek – Je kritérium na hloubku vrstev? NEZODPOVĚZENO prof. Hartl – Kolik neuronů bylo využito? NEZODPOVĚZENO doc. Koutný – Jak je použitá metoda citlivá na osvětlení obrázků? ZODPOVĚZENO doc. Koutný – Nemůže to být jedním z faktorů, proč algoritmus nefungoval na jiné materiály? ZODPOVĚZENO doc. Koutný – Umí algoritmus vyřadit málo kvalitní data? ČÁSTEČNĚ ZODPOVĚZENO doc. Koutný – Je vaše metoda schopna prahování pro možnost vykreslení histogramu pórů? ZODPOVĚZENO doc. Koutný – Použil jste volně dostupný engine nebo jste sám naprogramoval neuronovou síť? ZODPOVĚZENO doc. Maňas – Předpokládáme náhodnost pórů v materiálu. Nebylo by lepší trénovat síť na náhodně vygenerovaných obrázcích se 100% přesností? ČÁSTEČNĚ ZODPOVĚZENO doc. Maňas – Nedošlo by po dostatečně dlouhém tréningu k lepší predikci oproti člověku? ZODPOVĚZENO doc. Vimmr – Jak jste si vytvářel architekturu sítě? ZODPOVĚZENO doc. Mazůrek – Neměl by být do klasifikace chyb podle kategorií zařazen i element nejistoty? ZODPOVĚZENO | cs |
| but.jazyk | angličtina (English) | |
| but.program | Konstrukční inženýrství | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Hurník, Jakub | en |
| dc.contributor.author | Semančík, Adam | en |
| dc.contributor.referee | Mendřický, Radomír | en |
| dc.date.created | 2024 | cs |
| dc.description.abstract | Táto diplomová práca skúma aplikáciu hlbokých neurónových sietí pre vylepšenie hodnotenia metalografických výbrusov pre materiály vyrobené pomocou aditívnej výroby. Zameriava sa na dve pokročilé techniky spracovania obrazu: sémantickú segmentáciu a super-rozlíšenie obrazu. Na sémantickú segmentáciu bola použitá architektúra U-Net pre klasifikáciu defektov, ako sú dva typy pórov. Okrem toho bol použitý model SRGAN (Super-Resolution Generative Adversarial Network) pre zvýšenie rozlíšenia obrazu, čo potenciálne zlepšuje presnosť segmentácie. Výskum hodnotí, či model trénovaný na AlSi10Mg môže dostatočne dobre vyhodnocovať materiály Cu99 a Ti6Al4V. Zároveň hodnotí vplyv super-rozlíšenia na výkonnosť segmentácie. Výsledky ukázali, že zatiaľ čo model segmentácie dosahoval dobré výsledky na AlSi10Mg, generalizácia na iné materiály vyžaduje diverzifikovanejšie tréningové dáta. V dôsledku výpočtových obmedzení zostáva kombinovaný efekt super-rozlíšenia a segmentácie nejednoznačný, čo naznačuje potrebu ďalšieho výskumu s výkonnejšími výpočtovými zdrojmi. | en |
| dc.description.abstract | This thesis explores the application of deep neural networks to improve the evaluation of metallographic cross-sections in materials produced through powder bed fusion. It focuses on two advanced image processing techniques: semantic segmentation and image super-resolution. A U-Net architecture was used for semantic segmentation to classify defects such as lack of fusion porosity and gas porosity. Additionally, an SRGAN (Super-Resolution Generative Adversarial Network) model was utilized to upscale image resolution, potentially enhancing segmentation accuracy. The research assesses whether a model trained on AlSi10Mg can generalize to Cu99 and Ti6Al4V and evaluates the influence of super-resolution on segmentation performance. Results showed that while the segmentation model performed well on AlSi10Mg, generalization to other materials required more diverse training data. Due to computational limitations, the combined effect of super-resolution and segmentation remains inconclusive, suggesting further research with enhanced computational resources. | cs |
| dc.description.mark | B | cs |
| dc.identifier.citation | SEMANČÍK, A. Využití hlubokých neuronových sítí pro vyhodnocení metalografických výbrusů [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2024. | cs |
| dc.identifier.other | 154153 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/248145 | |
| dc.language.iso | en | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta strojního inženýrství | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | hlboké neurónové siete | en |
| dc.subject | sémantická segmentácia | en |
| dc.subject | super-rozlíšenie | en |
| dc.subject | metalografické výbrusy | en |
| dc.subject | aditívna výroba | en |
| dc.subject | U-net | en |
| dc.subject | SRGAN | en |
| dc.subject | spracovanie obrazu | en |
| dc.subject | strojové učenie | en |
| dc.subject | deep neural networks | cs |
| dc.subject | semantic segmentation | cs |
| dc.subject | super-resolution | cs |
| dc.subject | metallographic cross-sections | cs |
| dc.subject | powder bed fusion | cs |
| dc.subject | additive manufacturing | cs |
| dc.subject | U-net | cs |
| dc.subject | SRGAN | cs |
| dc.subject | image processing | cs |
| dc.subject | machine learning | cs |
| dc.title | Využití hlubokých neuronových sítí pro vyhodnocení metalografických výbrusů | en |
| dc.title.alternative | The use of deep neural networks for the evaluation of metallographic cross-sections | cs |
| dc.type | Text | cs |
| dc.type.driver | masterThesis | en |
| dc.type.evskp | diplomová práce | cs |
| dcterms.dateAccepted | 2024-06-13 | cs |
| dcterms.modified | 2024-06-13-16:18:11 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta strojního inženýrství | cs |
| sync.item.dbid | 154153 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.27 10:45:57 | en |
| sync.item.modts | 2025.01.17 11:17:29 | en |
| thesis.discipline | bez specializace | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta strojního inženýrství. Ústav konstruování | cs |
| thesis.level | Inženýrský | cs |
| thesis.name | Ing. | cs |