diplomová práce

Analýza CT snímků svarů pomocí neuronových sítí

Text práce 6.06 MB Příloha 3.95 MB

Autor práce: Bc. Martin Jurkovič

Ak. rok: 2025/2026

Vedoucí: Ing. Anzhelika Mezina, Ph.D.

Oponent: Ing. Vojtěch Schiller

Abstrakt:

Tato diplomová práce se zabývá využitím výpočetní tomografie (CT) pro nedestruktivní kontrolu kvality svarů, přičemž se zaměřuje na automatickou detekci anomálií pomocí neuronových sítí. Práce poskytuje komplexní přehled moderních architektur pro detekci anomálií, z nichž některé byly implementovány za účelem vytvoření referenční baseline. Dále tato práce představuje Residual Attention Dense Atrous Spatial Pyramid (RADASP), vlastní architektonický návrh vyvinutý za účelem řešení specifických výzev spojených s průmyslovým datasetem, který standardní modely nedokážou efektivně zpracovat. Experimentální výsledky ukazují, že RADASP výrazně překonal referenční modely a dosáhl zlepšení skóre F1 o přibližně 67 % ve srovnání s nejúspěšnějším baseline modelem, přičemž potřeboval o přibližně 15 % méně parametrů. Tyto výsledky potvrzují účinnost navrhovaného řešení pro tento specializovaný dataset. Kód je veřejně dostupný na GitHubu: https://github.com/jurkovicmartin/RADASP.

Klíčová slova:

Detekce anomálií, Nedestruktivní testování, Neuronová síť, Počítačové vidění, PyTorch, Segmentace, Svary, Výpočetní tomografie

Termín obhajoby

09.06.2026

Výsledek obhajoby

obhájeno (práce byla úspěšně obhájena)

znamkaAznamka

Klasifikace

A

Průběh obhajoby

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?

Jazyk práce

angličtina

Fakulta

Fakulta elektrotechniky a komunikačních technologií

Ústav

Ústav telekomunikací

Studijní program

Telekomunikační a informační technika (MPC-TIT)

Složení komise

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)

Posudek vedoucího
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). Výsledný počet bodů navržený vedoucím: 95

Známka navržená vedoucím: A

Posudek oponenta
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). Otázky k obhajobě:
  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?
Výsledný počet bodů navržený oponentem: 95

Známka navržená oponentem: A

Odpovědnost: Mgr. et Mgr. Hana Odstrčilová