Cílem bakalářské práce bylo navrhnout a implementovat klasifikátor vozidel využívající data ze sady tříosých magnetometrů instalovaných příčně ve vozovce. Práce navazuje na diplomovou práci pana Kunze z minulého roku. Motivací bylo jeho postupy a výsledky dopracovat, vylepšit, případně obohatit o jiné přístupy. 
Práce je logicky členěná, má celkový rozsah 92 stran a je sepsána v českém jazyce. Typograficky je jednotná a na dobré úrovni. Výsledky jsou prezentovány názorně — pomocí grafů průběhů signálů, konfuzních matic a srovnávacích tabulek. Jazyková úroveň je celkově dobrá a text je srozumitelný. Práce nicméně obsahuje občasné stylistické neobratnosti, překlepy a chyby v syntaxi. Student korektně pracuje s odbornou literaturou a cituje 10 relevantních zdrojů včetně práce, na kterou navazuje.
Student přistupoval k řešení bakalářské práce velmi samostatně, někdy až trochu neřízeně, protože nevyžadoval mnoho konzultací a o průběhu prací informoval spíše nárazově. Proto oceňuji jeho schopnost poradit si i s náročnějšími inženýrskými úkoly od čištění surových a neúplných dat až po nasazení pokročilých modelů umělé inteligence. 
Předložená bakalářská práce naplňuje cíle vytyčené v zadání. Student se seznámil s problematikou automatické detekce vozidel, použití magnetometrů a klasifikačními systémy (kap. 1–3). V rámci teorie bych ocenila detailnější zpracování literárních zdrojů ke konkrétnímu řešenému problému, tedy využití dat magnetometrů ke klasifikaci. Dodaný vzorek dat vhodně upravil, filtroval, validoval a anotoval prostřednictvím synchronizace s referenčními daty WIM (kap. 4 a 5). Byly navrženy a implementovány algoritmy pro separaci vozidel a pro detekci a počítání náprav (prahová detekce, normalizace signálu, vyhledávání vrcholů). Student dále navrhl a implementoval klasifikátory ve dvou přístupech — na bázi příznakových vektorů a na bázi konvolučních neuronových sítí nad heatmapami. Zvážil více variant: různé reprezentace vstupního signálu (Sum, Max, All) a dva klasifikační standardy (EUR13 a klasifikaci indukčních smyček). Všechny postupy byly otestovány a vyhodnoceny, dosažené výsledky byly vzájemně porovnány a byly definovány omezující podmínky.
Množství odvedené práce je veliké (množství skriptů, reálná data, několikastupňová validace a filtrace dat, mnoho modelů), ale v analyticko-teoretické části (strojové učení a zpracování dat) student udělal několik pochybení. Úspěšnost modelů prezentuje primárně pomocí celkové přesnosti (Accuracy), která však u nevyvážených dat může být zavádějící. Z předložených matic záměn je zřejmé, že u méně zastoupených tříd klasifikátory vykazují vyšší chybovost. V práci schází hlubší statistické vyhodnocení pomocí doplňujících metrik, jako jsou Recall, Precision či F1-skóre pro jednotlivé třídy, a také pokus o nápravu tohoto stavu například metodami datové augmentace nebo syntetického vyvažování tříd. Určitou koncepční nejasnost spatřuji také v postupu předzpracování dat pro hluboké učení. Převzorkování/interpolace dat na 10000 vzorků (ke sjednocení délky průjezdů různých vozidel pro osu x v heatmapách) a následné předložení těchto heatmap architekturám jako GoogleNet nebo ResNet, které mají pevně definovaný vstup 224×224 pixelů, je neefektivní, časově i paměťově neekonomické. Tyto skutečnosti ukazují na slabší místo v nastudování nebo pochopení problematiky. 
Dosažené výsledky jsou prakticky využitelné. Realizačními výstupy jsou kompletní zpracovatelský řetězec v prostředí MATLAB, vytvořené datasety (příznakové vektory i obrazové heatmapy) a strukturované, komentované přípravné i trénovací skripty, které představují vhodný základ pro další navazující práci v oblasti WIM/ITS. Lze tak konstatovat, že pan Voronov prokázal bakalářské schopnosti, proto práci doporučuji k obhajobám s hodnocením B (82 b). Points proposed by supervisor: 82

Student Vladimir Voronov měl za úkol klasifikovat vozidla pomocí magnetometrů na základě dat získaných z WIM (weight in motion) systému. Data si student sám protřídil a navrhnul několik klasifikačních metod, které na závěr porovnal. Kód je psán v prostředí Matlab.
Obsahová část práce má 62 stran a je rozdělena na úvod, teoretickou část – čímž je: obecný rozbor detekce vozidel, detekce vozidel s využitím magnetometrů a obecný rozbor klasifikace vozidel – a praktickou část – která zahrnuje: sběr dat, jejich zpracování, přípravu pro trénování modelu strojového učení a výběr vhodných modelů – stěžejní části práce jsou pak shrnuty na jedné stránce závěru. Student pracuje s odbornou literaturou, nicméně v celé práci cituje pouze 10 zdrojů.
Úvod stručně shrnuje dosavadní pokrok v řešené problematice – zde bych pouze ocenil rozšíření o popis ostatních metod klasifikace vozidel, společně s odkazy na patřičné vědecké práce a jejich porovnání s metodou využívající magnetometry.
V teoretické části pan Voronov detailně popisuje obecné principy detekce vozidel a metody specifické jeho práci, jako je WIM a konkrétně problém s využíváním magnetometrů – čemuž věnuje samostatnou kapitolu. Dále zde popisuje různé systémy WIM a proces sběru dat, která využil k vytvoření klasifikátoru.
V praktické části student správně začíná analýzou a filtrací obdrženého datasetu, kterou provádí automaticky pomocí [DR1.1]Matlabu, tímto způsobem redukuje původní dataset o takřka polovinu. Jakožto vstupní hodnoty klasifikačních modelů student volí průměrnou hodnotu měřených signálů a maximální hodnotu, obě řešení později porovnává. Navíc používá Hampelova filtru v kombinaci s klouzavým průměrem pro odstranění impulzního šumu. Pan Voronov používá sofistikované prahování k rozlišení jednotlivých vozidle a souprav, přičemž popisuje úskalí, na která narazil, a která kreativně vyřešil. Následně automatizovaně vytváří příznaky pro učení MLP a konvolučních neuronových sítí, kterými klasifikuje vozidla na základě magnetometrické heatmapy. Část práce zabývající se konvolučními neuronovými sítěmi očividně nebyla probádána zdaleka do takové hloubky jako část využívající příznakové vektory, a jde to vidět, ResNet18, který vyšel nejlépe z CNN modelů se nevyrovná nejlepšímu kandidátovy modelů příznakových vektorů: Boosted Trees. Ani jeden z modelů nicméně nedosahuje přesnosti vyšší než 92%, což v kontextu extrémní nevyváženosti datasetu není příliš povzbudivé.
Práce ukazuje schopnosti očekávatelné od bakaláře. Doporučuji k obhajobě se stupněm B (87b). Topics for thesis defence:

1. 1. Jak by se podle Vás změnila úspěšnost klasifikace, pokud by byl dataset vyváženější a obsahoval výrazně více osobních vozidel, motocyklů a lehkých užitkových vozidel, které jsou v použitých datech zastoupeny omezeně?
2. 2. Jaké přesnosti bude Váš nejlepší model dosahovat, pakliže nebudete při výpočtu přesnosti uvažovat nejvíce zastoupenou třídu?

Points proposed by reviewer: 87