Student Václav Darvaš měl za úkol navrhnout a otestovat postup automatické vizuální kontroly mikročoček pro detekci nečistot a anomálií pro společnost Argotech a.s., a to s důrazem na porovnání klasických algoritmů zpracování obrazu s metodami strojového učení.
Přístup studenta k práci byl po celou dobu řešení nadstandardní. Aktivní přístup začal již před koncem letního semestru minulého roku, kdy se pan Darvaš dotazoval na volná témata z oblasti počítačového vidění, a nakonec si sám zvolil a vykomunikoval náročné reálné průmyslové zadaní. Vzhledem k tomu, že práce předpokládala přímé řešení části úkolů v prostorách společnosti Argotech a.s. v Trutnově, musel student prokázat vysokou míru samostatnosti, flexibility a schopnosti komunikovat s průmyslovými partnery. Prokázal také schopnost řešit reálné technické překážky (např. omezení knihovny FAISS a CUDA na platformě AMD, poloautomatické polohování při sběru dat).
Text práce o rozsahu 67 stran je sepsán v logickém členění. Jazyková úroveň je celkově srozumitelná. Místy se vyskytují stylistické neobratnosti a drobné překlepy, které však nesnižují odbornou hodnotu práce. Obrazová dokumentace (snímky vzorků, mezivýsledky předzpracování, heatmapy, graf distribuce skóre) je názorná a vhodně doplňuje text. Student korektně pracuje s citacemi. Seznam literatury obsahuje 22 relevantních a aktuálních odborných zdrojů (včetně klíčových prací k architektuře ResNet a algoritmům detekce anomálií). Elektronická příloha obsahuje pořízený dataset a všechny vyvinuté strukturované a dobře komentované skripty.
Všech sedm dílčích bodů zadání bylo podle mého názoru splněno v plném rozsahu. Student se seznámil s problematikou mikrooptiky a vzniku defektů, provedl analýzu stávajícího hardwarového řešení a navrhl funkční úpravu osvětlovací soustavy (kombinace koaxiálního a kopulového osvětlení), čímž vyřešil netriviální problém nasvícení vzorku s hybridními optickými vlastnostmi. Pořídil a anotoval rozsáhlý reálný dataset (1044 platných snímků), provedl průzkum dostupných softwarových nástrojů a následně navrhl a implementoval řešení jak klasickými algoritmy (transformace Top-Hat), tak dvěma odlišnými přístupy strojového učení (klasifikace ResNet-18 s učitelem a detekce anomálií k-NN/FAISS bez učitele). Přístupy korektně porovnal na identické testovací množině, definoval omezující podmínky a výsledky kriticky zhodnotil.
Práce má jednoznačný realizační přesah. Byl sestaven funkční snímací systém a vytvořen reálný průmyslový dataset, který má hodnotu sám o sobě. Nejspolehlivější metoda (detekce anomálií) dosáhla při delegování zhruba třetiny produkce k manuální kontrole u defektních vzorků úplnosti (recall) 98,4 % (pouze 1 NOK vzorek z 63 klasifikován jako OK). Navíc nepotřebuje pro trénování zdlouhavý sběr defektních vzorků. Samotné zavedení tzv. „šedé zóny“, kterou student transformoval modely z tvrdých klasifikátorů na bezpečné průmyslové asistenční systémy, považuji za důležitý inženýrský přínos pro průmyslovou praxi. Líbí se mi také návrh, že tyto delegované vzorky po kontrole operátorem dají postupně vzniknout dostatečně rozsáhlé databázi defektů pro naučení robustní klasifikační sítě. Práce posloužila jako reálná studie proveditelnosti, na jejímž základě se společnost rozhodla pro plošnou integraci komerčního řešení.
Pan Darvaš podle mého názoru předložil precizní inženýrské dílo, které přesahuje standardní nároky kladené na bakalářské práce. Prokázal schopnost samostatné vědecko-výzkumné i praktické práce. Práci proto doporučuji k obhajobě a navrhuji hodnocení A (98 b). Points proposed by supervisor: 98

Cílem bakalářské práce Václava Darvaše bylo navrhnout a realizovat optickou kontrolu waferů mikročoček. Téma považuji vzhledem ke komplexnosti a praktickému impaktu za středně obtížné. Student dle popisu práce postupoval cílevědomě s jasným výsledkem. Hned druhá kapitola je věnována samotným mikročočkám, jejich výrobě a procesu vzniku případných defektů. Tím student relativně snadno zaujme a nastíní motivaci této práce.
Student vyzkoušel 3 metody detekce vad – konzervativní přístup (Top-Hat), CNN ResNet-18 a model učení bez učitele FAISS. Pro ladění a porovnání vytvořil dataset čítající přes 1000 snímků. Byť se závěry se ztotožňuji a dosažené výsledy hovoří jednoznačně pro splnění zadání v plném rozsahu, mám několik výtek nebo spíše žádostí o doplnění, které možná z textu práce přímo nevyplývá.
Jako jeden z hlavních bodů zadání je analýza současného stavu snímacího zařízení a jeho případné vylepšení. Z textu práce jsem nepochopil, ač jsou různé metody snímání popsány důkladně, jestli došlo k nějaké změně současné metody snímání nebo již bylo nastaveno optimálně.
V textu se také uvádí, že bylo použito dome RGB osvětlení, ale není popsáno, jakých barev je využito. Popřípadě chybí úvaha, jestli by monochromatické osvětlení nezlepšilo optické vlastnosti scény. Dále mě zajímá, jestli podškálováním snímku na rozměr 512x512 neztrácíme cenné informace (z původního rozlišení 12 MPix, tedy cca 50x větším) a jestli není potom optická sestava předimenzována co do technických parametrů.
Dále prosím o odpověď na otázku, jaký je smysl rozdělení datasetu pomocí pseudonáhodného generátoru čísel a random-seedu s konkrétním uvedeným parametrem a vůbec.
Text práce je zpracován čtivě, popisuje postupy a hlavně pozitivní výsledky. Její úroveň a rozsah dokazují, že bylo odvedeno množství práce a bylo dosaženo všech bodů zadání. Doporučuji práci k obhajobě, diskusi a zodpovězení otázek s hodnocením A/92b. Topics for thesis defence:

1. Jako jeden z hlavních bodů zadání je analýza současného stavu snímacího zařízení a jeho případné vylepšení. Z textu práce jsem nepochopil, ač jsou různé metody snímání popsány důkladně, jestli došlo k nějaké změně současné metody snímání nebo již bylo nastaveno optimálně.
2. Nedochází podškálováním snímku na rozměr 512x512 ke ztrátám informace (z původního rozlišení 12 MPix, tedy cca 50x větším) a jestli není potom optická sestava předimenzována co do technických parametrů?
3. Jaká je odpověď na otázku "jaký je smysl rozdělení datasetu pomocí pseudonáhodného generátoru čísel a random-seedu s konkrétním uvedeným parametrem a vůbec?"

Points proposed by reviewer: 92