Segmentace vad dřeva z CT snímků

Abstract

Tato bakalářská práce se zaměřuje na segmentaci a detekci vad dubového dřeva z CT snímků pomocí metod hlubokého učení. Hlavní motivací je přispět k maxi- málnímu využití suroviny. Cílem práce je aplikace modelů YOLOv11 a Florence-2, jejich porovnání s převzatým modelem YOLOv8 a následné vyhodnocení jejich vý- konnosti. Úvodní část práce přibližuje nejčastější defekty dubového dřeva a shrnuje sou- časné přístupy k jejich detekci. Následuje popis použitého datasetu s polygonál- ními anotacemi a dvěma typy augmentací pro rozšíření variability trénovacích dat. Pro úlohu segmentace a detekce byly natrénovány různé varianty architektury YO- LOv11 (n/l/x) a multimodální model Florence-2. Za účelem konzistentního vyhod- nocení napříč modely byl implementován vlastní výpočet základních metrik pro hodnocení přesnosti detekce i kvality segmentace. Výsledky experimentů potvrzují možnou praktickou využitelnost moderních přístupů pro zpracování CT snímků a poskytují podklad pro další výzkum v oblasti přesné detekce defektů v přírodních materiálech.