Master's Thesis

Analysis of Weld CT Images Using Neural Networks

Final Thesis 6.06 MB Appendix 3.95 MB

Author of thesis: Bc. Martin Jurkovič

Acad. year: 2025/2026

Supervisor: Ing. Anzhelika Mezina, Ph.D.

Reviewer: Ing. Vojtěch Schiller

Abstract:

This thesis explores the application of Computed Tomography (CT) for the non-destructive quality testing of welds, with a specific focus on automated anomaly detection using neural networks. The thesis provides a comprehensive overview of state-of-the-art architectures for anomaly detection, a few of which were implemented to establish an evaluation baseline. Furthermore, this work introduces Residual Attention Dense Atrous Spatial Pyramid (RADASP), a custom architectural design developed to address the specific challenges of an industrial dataset that standard solutions fail to process effectively. Experimental results demonstrate that RADASP significantly outperformed the baseline, achieving approximately 67 % improvement in F1 score compared to the strongest baseline model while utilizing approximately 15 % fewer parameters. These results validate the effectiveness of the proposed design for the specialized dataset. The code is publicly available at GitHub: https://github.com/jurkovicmartin/RADASP.

Keywords:

Anomaly detection, Computed tomography, Computer vision, Neural network, Non-destructive testing, PyTorch, Segmentation, Welds

Date of defence

09.06.2026

Result of the defence

Defended (thesis was successfully defended)

znamkaAznamka

Grading

A

Process of defence

Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta. Otázky: 1. V textu je zmíněna velikost vstupních obrázků 224×224 pixelů, nicméně v sekci s popisem datové sady není zmíněn původní rozměr CT skenů. Z jakého důvodu byla zvolena právě tato velikost a jaké jsou původní rozměry CT skenů? 2. V práci byly porovnávány modely trénovány pomocí učení s plným dohledem (fully-supervised), byly během práce zkoušeny i nějaké modely trénované způsobem částečného dohledu (semi-supervised)? 3. Vytvořená architektura využívá modul ASPP a dilatované (atrous) konvoluce. Jaké jsou výhody těchto konvolucí oproti klasickým?

Language of thesis

English

Faculty

Fakulta elektrotechniky a komunikačních technologií

Department

Department of Telecommunications

Study programme

Communications and Informatics (MPC-TIT)

Composition of Committee

prof. Ing. Miroslav Vozňák, Ph.D. (předseda)
doc. Ing. Petr Sysel, Ph.D. (místopředseda)
doc. Ing. Jiří Vodrážka, Ph.D. (člen)
Ing. Martin Štůsek, Ph.D. (člen)
Ing. Radim Číž, Ph.D. (člen)
Ing. Jan Dvořák, Ph.D. (člen)
Ing. Vojtěch Myška, Ph.D. (člen)
Ing. Vojtěch Schiller (člen)

Supervisor’s report
Ing. Anzhelika Mezina, Ph.D.

Student Bc. Martin Jurkovič pracoval na své diplomové práci velmi svědomitě, pravidelně konzultoval dosažené výsledky a řídil se doporučeními pro zpracování teoretické i praktické části.

Hlavní překážkou při řešení praktické části bylo omezené množství reálných dat (což je v úzce zaměřených oblastech výzkumu běžná situace). Přesto student navrhl vlastní přístup k rozšíření datové množiny, což hodnotím velmi pozitivně. Návrh vlastního modelu je rovněž zdařilý a v dosažených výsledcích překonává moderní architektury.

Zadání práce bylo splněno v plném rozsahu. Práci doporučuji k obhajobě a hodnotím ji stupněm A (95 bodů). Points proposed by supervisor: 95

Grade proposed by supervisor: A

Reviewer’s report
Ing. Vojtěch Schiller

Student se ve své práci věnoval problematice nedestruktivní kontroly svarů za pomoci dat z jejich skenů pořízených pomocí výpočetní tomografie. V práci porovnával moderní architektury konvolučních neuronových sítí vhodných pro zpracování obrazu. Během práce student také zkoušel použít ověřené modely detekce anomálií pro industriální použití. Vzhledem k povaze původní datové sady, student vytvořil metody pro její rozšíření, což vedlo k výraznému zlepšení výkonnosti modelů. V práci student také především vytvořil vlastní architekturu inspirovanou dle doposud nejlépe fungujícího modelu, kterou navíc rozšířil o pokročilé mechanismy pozornosti. Tato architektura dosáhla buď porovnatelných, či lepších výsledků za identických podmínek, přičemž zahrnovala výrazně nižší počet parametrů.

Práce je velice zdařilá a obsahuje velké množství práce. Text je psán profesionálně. Vytknul bych pouze její delší rozsah. V práci se vyskytuje několik drobných, opakujících se typografických chyb či překlepů, které jsou ale spíše nepodstatné. Názvy obrázků a tabulek by mohly být rozmanitější.

S ohledem na zmíněné skutečnosti práci hodnotím známkou A (95 bodů). Topics for thesis defence:
  1. V textu je zmíněna velikost vstupních obrázků 224×224 pixelů, nicméně v sekci s popisem datové sady není zmíněn původní rozměr CT skenů. Z jakého důvodu byla zvolena právě tato velikost a jaké jsou původní rozměry CT skenů?
  2. V práci byly porovnávány modely trénovány pomocí učení s plným dohledem (fully-supervised), byly během práce zkoušeny i nějaké modely trénované způsobem částečného dohledu (semi-supervised)?
  3. Vytvořená architektura využívá modul ASPP a dilatované (atrous) konvoluce. Jaké jsou výhody těchto konvolucí oproti klasickým?
Points proposed by reviewer: 95

Grade proposed by reviewer: A

Responsibility: Mgr. et Mgr. Hana Odstrčilová