bakalářská práce

Měření tloušťky kontaminačních vrstev ve skenovací elektronové mikroskopii pomocí zpracování obrazu

Text práce 16.63 MB Příloha 9.93 MB

Autor práce: Bc. Matěj Macek

Ak. rok: 2023/2024

Vedoucí: prof. Ing. Martin Čadík, Ph.D.

Oponent: Ing. Milan Munzar

Abstrakt:

Motivací pro vznik této práce byl cíl společnosti Thermo Fisher Scientific vyvinout metodu měření tloušťky kontaminačních vrstev na snímcích ze skenovací elektronové mikroskopie (SEM) pomocí pokročilých technik zpracování obrazu. Hlavním cílem je vytvořit automatizované metody pro kvantifikaci kontaminace v obrazech, které nepříznivě ovlivňují zobrazování ve výzkumu v oblasti materiálových věd, pomocí technik zpracování obrazu. V této studii shromažďujeme soubor dat snímků s kontaminací a ručně anotujeme masky pro každý snímek. Tyto anotace budou sloužit k doladění a vyhodnocení účinnosti námi navrhovaných metod. Použitím kombinace algoritmů detekce hran a modelů strojového učení, konkrétně vyladěné sítě DeepLabv3, tato práce zvyšuje přesnost a účinnost detekce kontaminace. Analyzátor kontaminace založený na detekci hran (EDCA) využívá tradiční metody zpracování obrazu, zatímco model DeepLabv3 zavádí přístup strojového učení, který robustně zvládá různorodé obrazové podmínky. Srovnávací analýzy prokazují účinnost těchto metod při poskytování spolehlivých, škálovatelných a podrobných měření kontaminačních vrstev, což významně přispívá k rozvoji oboru materiálových věd.

Klíčová slova:

Rastrovací elektronová mikroskopie (SEM), zpracování obrazu, měření tloušťky kontaminace, detekce hran, strojové učení, DeepLabv3, studie materiálů

Termín obhajoby

13.06.2024

Výsledek obhajoby

obhájeno (práce byla úspěšně obhájena)

znamkaCznamka

Klasifikace

C

Průběh obhajoby

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.

Otázky k obhajobě

  1. V práci zmiňujete několik možných loss funkcí jako MAE a MSE. Uveďte příklad, kdy je vhodné použít MAE namísto MSE.
  2. Dokázal byste finančně ohodnotit, kolik ušetří firma při nasazení vašeho projektu?
  3. Jak jste využil chat GPT pro tvorbu práce?

Jazyk práce

angličtina

Fakulta

Fakulta informačních technologií

Ústav

Ústav počítačové grafiky a multimédií

Studijní program

Informační technologie (BIT)

Složení komise

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)

Posudek vedoucího
prof. 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.

Kritérium hodnocení Slovní hodnocení
Informace k zadání

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.
Práce s literaturou

Student pracoval s literaturou doporučenou vedoucím práce a sám si vyhledával další zdroje, zejména na internetu.
Aktivita během řešení, konzultace, komunikace

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.
Aktivita při dokončování

Práce byla dokončena v mírném předstihu a její obsah byl konzultován s vedoucím práce.
Publikační činnost, ocenění

Výsledky práce byly prezentovány na studentské konferenci EXCEL@FIT.
Výsledný počet bodů navržený vedoucím: 80

Známka navržená vedoucím: B

Posudek oponenta
Ing. 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.

Kritérium hodnocení Slovní hodnocení Body
Náročnost zadání

Stupeň hodnocení: obtížnější zadání

Řešitel si zvolil složitější zadání, které vyžaduje seznámení se s elektronovou mikroskopií, metodami pro zpracování obrazu a hlubokými neuronovými sítěmi.
Prezentační úroveň technické zprávy

Zpráva obsahuje všechny podstatné části. Za negativní nejvíce hodnotím rozsah jakým řešitel využíval LLM asistenta.

  • Text je příliš roztahaný, věty jsou často přehnané a prázdné. Při delším čtení text zakrývá skutečnou práci řešitele.

  • Řešitel  zaměňuje validační a testovací sadu (například na straně 20 nebo v grafu 7.1).

  • Graf 7.1 obsahuje krom ROC křivky a F1 skóre také hodnotu MSE loss funkce. Ta se ale nedá s ostatními porovnat a proto by měla být vynesená zvlášť.

  • V kapitole 7.2 řešitel dochází ke stejnému závěru několika příbuznými metrikami MAE, MSE a RMSE. Lepší by použít jednu metriku a porovnat metody z více úhlů (například zlepšením kvalitativního porovnání).
 62
Formální úprava technické zprávy

Práce je napsaná dobrou angličtinou a je téměř bez chyb.

 85
Realizační výstup

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.

 82
Využitelnost výsledků

Práce poskytuje prostor pro vývoj nových metod nad vytvořeným datasetem. Chybějící definice validační sady může komplikovat zopakování výsledků.
Rozsah splnění požadavků zadání

Stupeň hodnocení: zadání splněno
Rozsah technické zprávy

Stupeň hodnocení: je v obvyklém rozmezí
Práce s literaturou

Řešitel cituje dostatek zajímavých a relevantních zdrojů.

 85
Otázky k obhajobě:
  1. V práci zmiňujete několik možných loss funkcí jako MAE a MSE. Uveďte příklad, kdy je vhodné použít MAE namísto MSE.
Výsledný počet bodů navržený oponentem: 72

Známka navržená oponentem: C

Odpovědnost: Mgr. et Mgr. Hana Odstrčilová