Ing. Jan Glaser

Ing. Jan Glaser

prof. RNDr. Pavel Surynek, Ph.D.

Katedra aplikované matematiky

Cílem této bakalářské práce je automatizace procesu práškového předstřiku u objektů se složitou prostorovou geometrií v rámci průmyslového práškového lakování. Navržený přístup pracuje s CAD modelem lakovaného objektu a zaměřuje se na identifikaci povrchů, které jsou při standardní automatizované aplikaci prášku nedostatečně pokryty. Pro detekci oblastí vyžadujících předstřik je vyhodnoceno několik metod geometrické analýzy, včetně raycastingu z orientovaných ohraničujících boxů (OBB) a analýzy křivosti povrchu. Na základě detekovaných oblastí je implementována metoda pro generování bodů dráhy a trajektorií robota s využitím voxelového vzorkování a řazení cest. Výsledné trajektorie jsou demonstrovány v simulaci, která potvrzuje použitelnost navrženého rámce pro automatizovaný práškový předstřik složitých geometrií na základě CAD dat.

Práce na DSpace

Ing. Jan Glaser

Ing. Ondřej Smrž

Katedra aplikované matematiky

Tato práce se zabývá vývojem metody pro registraci částečně překrývajících se mračen bodů a zjištění vlivu sémantických informací v procesu registrace. Výstupem práce je metoda, která využívá informace získané z konvolučních neuronových sítí pro rozdělení mračen bodů a zarovnání lokálních struktur pomocí analýzy hlavních komponent. Tato metoda byla testována proti tradičním metodám na veřejně dostupných datasetech. Experimenty ukázaly, že registrace menších celků vedla k mnohem stabilnějším a přesnějším výsledkům než tradiční přístupy.

Práce na DSpace

Ing. Jan Glaser

Ing. Jakub Novák

Katedra aplikované matematiky

Tato práce popisuje systém rozpoznávání hracích karet, který využívá dvou přístupů. První přístup využívá počítačového vidění pro klasifikaci hracích karet v kontrolovaném prostředí, za- tímco druhý přístup zahrnuje vytvoření komplexní datové sady s různými vizuálními úpravami a trénink modelu hlubokého učení. První přístup využívá technik zpracování obrazu ke rozpoznání líce karty a jeho barvy (červená-černá) na jednom obrázku s použitím několika metod. Ne- jlepší metoda dosahuje přesnosti 100% pro identifikaci líce karty a 78,16% pro identifikaci barvy v souboru dat obsahujícím 728 hracích karet. Druhý přístup spočívá v tvorbě komplexní sady dat hracích karet s použitím vizuálních úprav a technik. Soubor dat obsahuje původně 30 000 obrázků hracích karet, které jsou označeny svým lícem a barvou a mírně upraveny. Model YOLOv8 je nejprve natrénován na této počáteční sadě dat a poté je vyladěn na větší sadě obsahující 80 000 obrázků, které se více podobají reálným podmínkám, jako jsou různé úhly pohledu a světelné podmínky. Během trénování je model validován, aby byla zajištěna optimální výkonnost. Jak- mile je model natrénován, je testován na sadě 30 000 snímků, které zachovávají rozmanitost a složitost prostředí v reálném světě. Model YOLOv8 dosahuje na této testovací sadě přesnosti 99,98%, což dokazuje jeho účinnost při rozpoznávání hracích karet v různých prostředích

Práce na DSpace

Ing. Jan Glaser

prof. Ing. RNDr. Martin Holeňa, CSc.

Katedra aplikované matematiky

Cílem této práce je navrhnout neuronovou síť pro rekonstrukci chybějících částí v 3D bodových mračnech a vyhodnotit, jak tato rekonstrukce ovlivňuje přesnost registrace bodových mračen. Navržená síť předpovídá pouze chybějící body a spojuje je s původním vstupem, přičemž pozorovaná geometrie zůstává nezměněna. Experimenty ukázaly, že doplňování výrazně zlepšuje registraci, zejména při středních množstvích chybějících dat, kdy model má dostatek zbývající struktury pro rekonstrukci chybějící geometrie.

Práce na DSpace