but.committee	doc. Dr. Ing. Otto Fučík (předseda) doc. Ing. Zdeněk Vašíček, Ph.D. (místopředseda) doc. Ing. Jiří Jaroš, Ph.D. (člen) doc. Ing. Tomáš Martínek, Ph.D. (člen) prof. Ing. Tomáš Vojnar, Ph.D. (člen) Doc. Ing. Valentino Vranić, Ph.D. (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 otázky 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 " D ". Otázky u obhajoby: Používáte velice složitou síť a to na obrázky 2048x2048, kde detekujete maličké vady. Nabízí se myšlenka zpracovávat pouze výřezy vstupního obrazu s daleko menším rozlišením. Jaké by takový přístup měl výhody a nevýhody? Jak by bylo možné udělat základní (baseline) řešení, aby bylo jednoduché a šlo proti němu vyhodnotit vlastnosti naučené CNN? Proč něco takového není v DP? Na přiloženém CD jsou obrázky syntetických vad - jsou jich jen malé desítky. Proč nejsou obrázky vad generované procedurálně, aby byly jedinečné?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hradiš, Michal	cs
dc.contributor.author	Juřica, Tomáš	cs
dc.contributor.referee	Herout, Adam	cs
dc.date.created	2019	cs
dc.description.abstract	Cílem této práce je automatizovat detekci defektů při průmyslové výrobě plastových karet. Typickým defektem vzniklým při takovéto výrobě je kontaminace prachovými částicemi či vlasem. Hlavními výzvami, které v této práci řeším, je malý počet dostupných dat (214 karet), velmi malá plocha defektů v kontextu celé karty (průměrně 0,0068 \% plochy karty) a zároveň velice rozmanité a komplexní pozadí, ve kterém defekty hledám. Realizaci úkolu jsem dosáhl za použití detekčního algoritmu Mask R-CNN a rozšíření datové sady pomocí namodelování vzhledu typických defektů a vytvoření syntetického datasetu o počtu 20 000 obrázků, na kterém jsem detektor natrénoval. Takovýmto způsobem jsem dosáhl 0,83 AP při IoU rovno 0,1 na testovací části původní datové sady.	cs
dc.description.abstract	The goal of this work is to bring automatic defect detection to the manufacturing process of plastic cards. A card is considered defective when it is contaminated with a dust particle or a hair. The main challenges I am facing to accomplish this task are a very few training data samples (214 images), small area of target defects in context of an entire card (average defect area is 0.0068 \% of the card) and also very complex background the detection task is performed on. In order to accomplish the task, I decided to use Mask R-CNN detection algorithm combined with augmentation techniques such as synthetic dataset generation. I trained the model on the synthetic dataset consisting of 20 000 images. This way I was able to create a model performing 0.83 AP at 0.1 IoU on the original data test set.	en
dc.description.mark	D	cs
dc.identifier.citation	JUŘICA, T. Hluboké neuronové sítě pro detekci anomálií při kontrole kvality [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	122251	cs
dc.identifier.uri	http://hdl.handle.net/11012/180448
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Hluboké neuronové sítě	cs
dc.subject	detekce anomálií	cs
dc.subject	detekce defektů	cs
dc.subject	kontrola kvality	cs
dc.subject	Mask R-CNN	cs
dc.subject	Deep neural networks	en
dc.subject	anomaly detection	en
dc.subject	defect detection	en
dc.subject	quality control	en
dc.subject	Mask R-CNN	en
dc.title	Hluboké neuronové sítě pro detekci anomálií při kontrole kvality	cs
dc.title.alternative	Deep Neural Networks for Defect Detection	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2019-06-17	cs
dcterms.modified	2019-07-08-13:31:36	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	122251	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:30:01	en
sync.item.modts	2025.01.15 20:59:45	en
thesis.discipline	Počítačové a vestavěné 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

Hluboké neuronové sítě pro detekci anomálií při kontrole kvality

Files

Original bundle

Collections