Mgr. Petr Šimánek

Závěrečné práce

Bakalářské práce

Detekce anomálií v průtoku vodovodním potrubí

Autor
Dmytro Molokoiedov
Rok
2020
Typ
Bakalářská práce
Vedoucí
Mgr. Petr Šimánek
Oponenti
doc. Ing. Pavel Kordík, Ph.D.
Anotace
Vodní rozvodná síť je komplexní systém potrubi a uzlů, které jsou vzájemně propojeny a kterými procházi voda. Jednim z nejdůležitějšich problémů v takových sitich jsou úniky. Tento článek představuje několik metod řešeni tohoto problému. Byl zaveden benchmark pro přesnějši vyhodnoceni algoritmů a byly implemen- továny metody, jako jsou one-class SVM, izolačni les a LSTM. Data použitá v této práci byla uměle vytvořena na základě skutečných historických dat pomoci frameworku LeakDB.

Metody hlubokého učení pro detekci poruch z CCTV inspekce kanalizační sítě

Autor
Ondřej Chládek
Rok
2020
Typ
Bakalářská práce
Vedoucí
Mgr. Petr Šimánek
Oponenti
doc. Ing. Pavel Kordík, Ph.D.
Anotace
Práce je zaměřena na detekci poruch z kamerové inspekce kanalizace. Cílem práce je vytvořit model hluboké neuronové sítě, která dokáže s vysokou přesností určit, zda je na daném snímku porucha v kanalizaci či ne, a ulehčit tak práci technikům, kteří by jinak museli celý záznam analyzovat ručně. Natrénovaný model pro detekci chyb dosáhl přesnost na testovacím datasetu 99\%. Pro klasifikaci chyb navrhuji použít řešení pomocí dvou modelů, první by detekoval, jestli je obrázek vadný a nebo ne, druhý na základě obrázků označených jako vadné, by klasifikoval chyby. Pro detekci vad byl použit předchozí model. Přesnost klasifikace chyb byla 87\% na testovacích datech.

Predikce časoprostorových dějů pomocí umělých neuronových sítí

Autor
Jiří Pihrt
Rok
2021
Typ
Bakalářská práce
Vedoucí
Mgr. Petr Šimánek
Oponenti
Ing. Jitka Hrabáková
Anotace
Tato práce aplikuje metody predikce časoprostorových dějů na problém predikce pohybu účastníků provozu pro autonomní vozidla. Sekvence umělých rasterizovaných snímků z ptačího pohledu jsou použity jako vstup do neuronových sítí, které jsou natrénovány k predikování nejpravděpodobnějšího pokračování dané sekvence. Dataset Lyft Motion Prediction for Autonomous Vehicles je prozkoumán a upraven pro tento úkol. Několik typů neuronových sítí, zejména ConvLSTM, PredRNN, PhyDNet a U-Net, je prozkoumáno, natrénováno a jejich výsledky porovnány.

Diplomové práce

Vylepšení krátkodobé předpovědi srážek s využitím metod deep learning pomocí předchozích znalostí o chování počasí

Autor
Matej Choma
Rok
2022
Typ
Diplomová práce
Vedoucí
Mgr. Petr Šimánek
Oponenti
Mgr. Petr Novák, Ph.D.
Anotace
Pri krátkodobých predpovediach zrážok s vysokým rozlíšením z hľadiska chyby predpovede dominujú metódy hlbokého učenia. Avšak, ich operatívne používanie je obmedzené problémami s vysvetliteľnosťou dynamiky za predpoveďami. Tieto sú zároveň vyhladené a chýbajú im vysokofrekvenčné prvky v dôsledku optimalizácie pre stratové funkcie založené na strednej chybe. V tejto práci je zhrnutý náš pokrok pri riešení týchto problémov. V prvej časti predstavujeme Intensity Classification Loss na zlepšenie predpovede silných zrážok. Model je natrénovaný vytvárať sekundárny výstup predpovedajúci pravdepodobnosť zrážok s intenzitou nad 40 dBZ, ktorý sa porovnáva s binárnou skutočnosťou. Experimenty ukázali, že tento prístup pomáha predpovedať silné zrážky, ale nepredpovedá zrážky s vyššou intenzitou, ako je zvolený prah. V druhej časti experimentujeme s ručným vkladaním diferenciálnej rovnice advekcie-difúzie do PhyCell. Cieľom je vniesť lepšiu apriornú znalosť o fyzike do modelu PhyDNet, ktorý oddeľuje fyzikálnu a reziduálnu dynamiku. Výsledky naznačujú, že zatiaľ čo sa PhyCell dokáže naučiť zamýšľanú dynamiku, tréning modelu PhyDNet zostáva riadený optimalizáciou stratovej funkcie. Toto vedie k modelu s nezmenenými predikčnými vlastnosťami.