Práce se zaměřuje na využití metod zpracování obrazu v oboru technické diagnostiky a údržby strojů v souladu s konceptem Průmyslu 4.0. V teoretické části se autor věnuje principům technické diagnostiky a uvádí příklady uplatnění obrazové analýzy v praxi. Následně student vytypoval pět základních úloh, na které aplikoval popsané metody. Nedílnou součástí práce je aplikace vytvořená v prostředí Streamlit, která umožňuje tyto úlohy spouštět a zkoumat, jaký vliv má změna parametrů na výsledek. Drobná výtka směřuje k vývojovým diagramům, které mohly být vloženy ve vektorové grafice, a dále k chybějícímu popisu licencí u použitých knihoven a vývojových prostředí.

Cílem předložené diplomové práce byl návrh, implementace a ověření metod počítačového vidění pro automatizaci úloh v oblasti technické diagnostiky a údržby strojů. Jedná se o aktuální interdisciplinární téma, které v kontextu strategie Průmysl 4.0 kombinuje teoretické principy digitálního zpracování obrazu s praktickou softwarovou realizací v prostředí Python za využití knihovny OpenCV.

V rámci přípravy řešení byla pozornost věnována předzpracování dat, které se ukázalo jako kritické pro stabilitu následných analytických algoritmů v reálných podmínkách. Autor testoval vliv různých technik filtrace, zejména Gaussova rozostření a transformací jasu a kontrastu. Výsledky prokázaly, že precizní potlačení mikroskopického šumu v počáteční fázi je nezbytné pro úspěšnost hranových detektorů. Například u Cannyho detektoru vhodná filtrace zásadně eliminuje vznik desítek falešných objektů, které by jinak znehodnotily výslednou analýzu.

Jádrem práce je implementace pěti technologických demonstrátorů, které řeší různorodé diagnostické úlohy: od analýzy ferografických snímků přes 3D rekonstrukci povrchu laserovou triangulací až po bezkontaktní měření vibrací metodou optického toku. Autor detailně popisuje vývoj specifických algoritmů, jako je subpixelová detekce středu laserové čáry nebo využití statistického Z-skóre pro lokalizaci teplotních anomálií na fotovoltaických panelech. Experimenty potvrdily, že lokální statistická analýza (Z-skóre) výrazně překonává standardní globální prahování (Otsuova metoda), které v komplexních termografických scénách s nerovnoměrným osvětlením často selhává.

S využitím frameworku Streamlit byla vytvořena ucelená sada interaktivních aplikací. Ty umožňují uživateli pohodlně konfigurovat parametry zpracování v reálném čase (např. velikosti výpočetních oken či prahové hodnoty) a okamžitě vizualizovat vliv těchto změn na výslednou detekci prostřednictvím tzv. vizuální pipeline. Celé řešení je plně zdokumentováno pomocí podrobných vývojových diagramů a vybaveno funkcemi pro export naměřených geometrických a statistických dat do formátů Excel a CSV.

Přestože je v práci minimum chyb, autor se nevyhnul drobným formálním a technickým nedopatřením. Příkladem je špatně formátovaný seznam použité literatury, kde je u položky číslo 40 rozhozené číslování. Podobný drobný nedostatek lze nalézt také u zdroje číslo 8, kde se v textu objevil překlep v příjmení vedoucího práce („Maz rek“). Tyto drobné chyby však mají charakter ojedinělých přehlédnutí a nijak nesnižují celkově vysokou odbornou, grafickou a metodickou úroveň předloženého díla. Grafická úroveň práce je na vysoké úrovni. Velmi přínosné jsou podrobné vývojové diagramy a bohatá obrazová dokumentace výsledků z aplikací. Autor pracoval s rozsáhlým souborem 40 zdrojů, který zahrnuje monografie, normy, odborné články i dokumentaci k softwarovým nástrojům. Citace v textu jsou prováděny důsledně a v souladu s akademickými standardy.

Práce splnila všechny stanovené cíle a vytvořila metodickou platformu vhodnou pro další vývoj. Výsledné řešení umožňuje nahradit subjektivní lidskou kontrolu objektivními algoritmy, což je klíčový přínos pro moderní systémy prediktivní údržby. Práce představuje hodnotný příspěvek k digitalizaci technické diagnostiky.

Cíle práce byly splněny a zadané téma lze považovat za splněné v požadovaném rozsahu. Topics for thesis defence:

1. Pro reálné nasazení (např. u laserové triangulace) zmiňujete nutnost hardwarové synchronizace s pohybem linky a integraci s PLC. Jak byste v praxi řešil latenci mezi pořízením snímku kamerou a odesláním signálu do PLC (např. pro vyřazení vadného kusu), aby výpočetní čas Vašeho algoritmu nezpomaloval takt výrobní linky?
2. V závěru práce uvádíte, že pro nasazení v reálném čase by bylo vhodnější použít kompilované jazyky jako C++ místo použitého Pythonu. Zvládnou Vaše vytvořené demonstrační aplikace v prostředí Python a frameworku Streamlit v současné podobě běžet v reálném čase? Pokud ne, která z Vašich pěti aplikací by byla z hlediska portace do C++ nejnáročnější a jaké konkrétní problémy v jejím výpočetním řetězci by i po změně jazyka mohly bránit dosažení plynulého zpracování v reálném čase?
3. Vaše demonstrační aplikace jsou postaveny na interaktivním ladění parametrů (prahy, velikosti oken) uživatelem v reálném čase pomocí frameworku Streamlit. V reálném průmyslovém provozu se mohou světelné podmínky nebo prašnost dynamicky měnit. Jakým způsobem byste modifikoval svůj algoritmus pro detekci hotspotů (Z-skóre), aby se dokázal adaptovat na měnící se prostředí automaticky bez nutnosti manuálního posouvání parametrů operátorem?