Cílem bakalářské práce je zkoumat a porovnat vlastnosti a funkce několika průmyslových
nástrojů využívajících technologii neuronových sítí pro vizuální detekci. V první části se
bakalářská práce zabývá teoretickými principy fungování neuronových sítí s přesahem do
umělé inteligence. Včetně rozdělení, využití a obecným popisem neuronových sítí. Druhá
část se zaměřuje na praktické porovnání konkrétních průmyslových neuronových sítí, v
oblastech jako je schopnost učení, časová náročnost učení a přesnost rozpoznávání. U
každého testu jsou prezentovány a diskutovány výsledky. Na konec jsou shrnuty získané
poznatky a doporučení pro praktické využití v dané oblasti aplikace. Tato práce přispívá k
lepšímu porozumění této technologie a ukazuje možnosti a omezení neuronových sítí v
praktických aplikacích.
Anotace v angličtině
The aim of the bachelor thesis is to investigate and compare the features and functions of
several industrial tools using neural network technology for visual detection. The first part
of the bachelor thesis deals with the theoretical principles of neural networks with an overlap
to artificial intelligence. Including classification, applications and general description of
neural networks. The second part focuses on a practical comparison of specific industrial
neural networks, in areas such as learning ability, learning time and recognition accuracy.
For each test, the results are presented and discussed. Finally, the lessons learned are
summarized and recommendations for practical use in the application domain are presented.
This work contributes to a better understanding of the technology and demonstrates the
capabilities and limitations of neural networks in practical applications.
neural networks, deep learning, defect detection, machine learning, machine
vision
Rozsah průvodní práce
94 s. (98 836 znaků)
Jazyk
CZ
Anotace
Cílem bakalářské práce je zkoumat a porovnat vlastnosti a funkce několika průmyslových
nástrojů využívajících technologii neuronových sítí pro vizuální detekci. V první části se
bakalářská práce zabývá teoretickými principy fungování neuronových sítí s přesahem do
umělé inteligence. Včetně rozdělení, využití a obecným popisem neuronových sítí. Druhá
část se zaměřuje na praktické porovnání konkrétních průmyslových neuronových sítí, v
oblastech jako je schopnost učení, časová náročnost učení a přesnost rozpoznávání. U
každého testu jsou prezentovány a diskutovány výsledky. Na konec jsou shrnuty získané
poznatky a doporučení pro praktické využití v dané oblasti aplikace. Tato práce přispívá k
lepšímu porozumění této technologie a ukazuje možnosti a omezení neuronových sítí v
praktických aplikacích.
Anotace v angličtině
The aim of the bachelor thesis is to investigate and compare the features and functions of
several industrial tools using neural network technology for visual detection. The first part
of the bachelor thesis deals with the theoretical principles of neural networks with an overlap
to artificial intelligence. Including classification, applications and general description of
neural networks. The second part focuses on a practical comparison of specific industrial
neural networks, in areas such as learning ability, learning time and recognition accuracy.
For each test, the results are presented and discussed. Finally, the lessons learned are
summarized and recommendations for practical use in the application domain are presented.
This work contributes to a better understanding of the technology and demonstrates the
capabilities and limitations of neural networks in practical applications.
neural networks, deep learning, defect detection, machine learning, machine
vision
Zásady pro vypracování
Zadání:
1. Popište základní principy neuronových sítí používaných pro detekci vad na základě kamerového obrazu.
2. Vytvořte přehled dostupných neuronových sítí pro detekci vad.
3. Sestavte množinu snímků, která bude sloužit pro testování neuronových sítí.
4. Otestujte vybrané neuronové sítě pro detekci vad. Zaměřte se především na úspěšnost vyhodnocení časové náročnosti.
5. Proveďte celkové zhodnocení vybraných neuronových sítí pro použití při detekci vad.
Zásady pro vypracování
Zadání:
1. Popište základní principy neuronových sítí používaných pro detekci vad na základě kamerového obrazu.
2. Vytvořte přehled dostupných neuronových sítí pro detekci vad.
3. Sestavte množinu snímků, která bude sloužit pro testování neuronových sítí.
4. Otestujte vybrané neuronové sítě pro detekci vad. Zaměřte se především na úspěšnost vyhodnocení časové náročnosti.
5. Proveďte celkové zhodnocení vybraných neuronových sítí pro použití při detekci vad.
Seznam doporučené literatury
1. KŘIVAN, Miloš. Úvod do umělých neuronových sítí. Vyd. 3., přeprac. Praha: Oeconomica, 2014. ISBN 9788024520247.
2. PATTERSON, Josh a GIBSON, Adam. Deep learning: a practitioner's approach. Sebastopol, CA: O'Reilly Media, 2017. ISBN 9781491914236. Dostupné také z: http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1564784&authtype=ip,shib&custid=s3936755
3. GRAUPE, Daniel. Deep learning neural networks: design and case studies. New Jersey: World Scientific, [2016]. ISBN 9789813146457.
4. FORSYTH, David a PONCE, Jean. Computer vision: a modern approach. Upper Saddle River: Prentice Hall, [2003]. ISBN 0130851981.
5. BUDUMA, Nikhil. Fundamentals of deep learning: designing next-generation machine intelligence algorithms. Beijing: O'Reilly, 2017. ISBN 9781491925614.
6. LU, Huimin a LI, Yujie. Artificial intelligence and computer vision. Studies in computational intelligence. Cham: Springer, [2016]. ISBN 9783319462455.
Seznam doporučené literatury
1. KŘIVAN, Miloš. Úvod do umělých neuronových sítí. Vyd. 3., přeprac. Praha: Oeconomica, 2014. ISBN 9788024520247.
2. PATTERSON, Josh a GIBSON, Adam. Deep learning: a practitioner's approach. Sebastopol, CA: O'Reilly Media, 2017. ISBN 9781491914236. Dostupné také z: http://search.ebscohost.com/login.aspx?direct=true&scope=site&db=nlebk&AN=1564784&authtype=ip,shib&custid=s3936755
3. GRAUPE, Daniel. Deep learning neural networks: design and case studies. New Jersey: World Scientific, [2016]. ISBN 9789813146457.
4. FORSYTH, David a PONCE, Jean. Computer vision: a modern approach. Upper Saddle River: Prentice Hall, [2003]. ISBN 0130851981.
5. BUDUMA, Nikhil. Fundamentals of deep learning: designing next-generation machine intelligence algorithms. Beijing: O'Reilly, 2017. ISBN 9781491925614.
6. LU, Huimin a LI, Yujie. Artificial intelligence and computer vision. Studies in computational intelligence. Cham: Springer, [2016]. ISBN 9783319462455.
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, grafy, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Diplomant odprezentoval před komisí hlavní cíle a výsledky své bakalářské práce. Prezentace jako celek byla zpracována na dobré úrovni, student dokázal vystihnout klíčové body práce. Následně byl student seznámen s posudky vedoucího a oponenta bakalářské práce. Diplomant postupně odpověděl na otázky oponenta práce.
Komise vznesla k obhajobě následující dotazy:
Prof. Adámek – Jak vznikají vady na nábojnicích?
Prof. Piteĺ – Používaly se různé neuronové sítě?
Prof. Piteĺ – Existuje nějaká zpětná vazba od zadavatelské firmy?
Doc. Pekař – Jaký je vztah mezi časovou náročností a přesností detekce?
Diplomant odpovídal na otázky pohotově, s drobnými nedostatky.