Přístupnostní navigace
E-application
Search Search Close
Bachelor's Thesis
Author of thesis: Bc. Matěj Macek
Acad. year: 2023/2024
Supervisor: prof. Ing. Martin Čadík, Ph.D.
Reviewer: Ing. Milan Munzar
The motivation for this thesis arises from the aim of the Thermo Fisher Scientific company to develop a method to measure the thickness of contamination layers in scanning electron microscopy (SEM) images through advanced image processing techniques. The primary aim is to create automated methods for quantifying contamination in images that adversely impact imaging in material science research, using image processing techniques. In this study, we collect a dataset of images with contamination and manually annotate masks for each image. These annotations will serve to fine-tune and evaluate the effectiveness of the methods we propose. By employing a combination of edge detection algorithms and machine learning models, specifically a fine-tuned DeepLabv3 network, this work enhances the precision and efficiency for contamination detection. The edge Detection-Based Contamination Analyzer (EDCA) utilizes traditional image processing methods, while the DeepLabv3 model introduces a machine learning approach to robustly handle diverse imaging conditions. Comparative analyses demonstrate the effectiveness of these methods in providing reliable, scalable, and detailed measurements of contamination layers, significantly contributing to the field of materials science.
Scanning Electron Microscopy (SEM), Image Processing, Contamination Thickness Measurement, Edge Detection, Machine Learning, DeepLabv3, Material Science
Date of defence
13.06.2024
Result of the defence
Defended (thesis was successfully defended)
Grading
C
Process of 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 C.
Topics for thesis defence
Language of thesis
English
Faculty
Fakulta informačních technologií
Department
Department of Computer Graphics and Multimedia
Study programme
Information Technology (BIT)
Composition of Committee
prof. Ing. Adam Herout, Ph.D. (předseda) RNDr. Marek Rychlý, Ph.D. (člen) Ing. Vojtěch Mrázek, Ph.D. (člen) prof. Ing. Martin Čadík, Ph.D. (člen) doc. Ing. Ondřej Lengál, Ph.D. (člen)
Supervisor’s reportprof. Ing. Martin Čadík, Ph.D.
Celkově považuji práci Matěje Macka za mírně nadprůměrnou. Student vytvořil dvě poměrně jednoduché, ale funkční metody pro měření tloušťky kontaminačních vrstev ve skenovacím mikroskopu a vyhodnotil jejich vlastnosti. Textová část práce dle mého utrpěla až příliš "optimistickým" nasazením velkého jazykového modelu ChatGPT.
Zadání považuji za náročnější. Student musel proniknout do problematiky skenovací elektronové mikroskopie a navrhnout a implementovat metody pro měření tloušťky kontaminačních vrstev způsobených prodlouženou expozicí elektronů. S výsledky práce jsem spokojen.
Student pracoval s literaturou doporučenou vedoucím práce a sám si vyhledával další zdroje, zejména na internetu.
V prvním semestru řešení byla aktivita studenta podprůměrná, v semestru druhém pak narostla a student dodržoval smluvená hlášení o postupu prací a aktivně docházel na schůzky.
Práce byla dokončena v mírném předstihu a její obsah byl konzultován s vedoucím práce.
Výsledky práce byly prezentovány na studentské konferenci EXCEL@FIT.
Grade proposed by supervisor: B
Reviewer’s reportIng. Milan Munzar
Řešiteli se podařila implementace a evaluace dvou metod na nově vytvořeném datasetu, který je cenným zdrojem pro další vývoj. Textová část práce je slabší a trpí přílišným spoléháním se na AI asistenta.
Evaluation level: obtížnější zadání
Řešitel si zvolil složitější zadání, které vyžaduje seznámení se s elektronovou mikroskopií, metodami pro zpracování obrazu a hlubokými neuronovými sítěmi.
Zpráva obsahuje všechny podstatné části. Za negativní nejvíce hodnotím rozsah jakým řešitel využíval LLM asistenta.
Práce je napsaná dobrou angličtinou a je téměř bez chyb.
Cenným výstupem je vytvoření datasetu několika set obrázků pro segmentaci kontaminačních vrstev. Datasetu momentálně chybí definice validační sady, která se vytváří náhodně při spuštění trénování. Dále se řešiteli podařil návrh a implementace dvou metod odhadu výšky kontaminačních vrstev. Zdrojový kód je čitelný.
Práce poskytuje prostor pro vývoj nových metod nad vytvořeným datasetem. Chybějící definice validační sady může komplikovat zopakování výsledků.
Evaluation level: zadání splněno
Evaluation level: je v obvyklém rozmezí
Řešitel cituje dostatek zajímavých a relevantních zdrojů.
Grade proposed by reviewer: C
Responsibility: Mgr. et Mgr. Hana Odstrčilová