Segmentace vad dřeva z CT snímků

Dolejšová, Venuše

Segmentace vad dřeva z CT snímků

dc.contributor.advisor	Lenc Ladislav, Ing. Ph.D.	cs
dc.contributor.author	Dolejšová, Venuše	cs
dc.contributor.referee	Martínek Jiří, Ing. Ph.D.	cs
dc.date.accepted	2025-06-09
dc.date.accessioned	2026-02-21T03:53:53Z
dc.date.available	2024-09-30
dc.date.available	2026-02-21T03:53:53Z
dc.date.issued	2025-05-05
dc.date.submitted	2025-05-05
dc.description.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.	cs
dc.description.abstract-translated	This bachelor thesis focuses on the segmentation and detection of oak wood defects from CT images using deep learning methods. The main motivation is to contribute to the reduction of deforestation and sustainable use of available resources. The aim of the thesis is to apply the YOLOv11 and Florence-2 models, compare them with the adopted YOLOv8 model and then evaluate their performance.<br>The introductory part of the thesis presents the most common oak wood defects and summarizes current approaches to their detection. This is followed by a description of the dataset used with polygonal annotations and two types of augmentations to extend the variability of the training data. Different variants of the YOLOv11 (n/l/x) architecture and the multimodal Florence-2 model were trained for the segmentation and detection task. In order to provide consistent evaluation across models, a custom set of metrics was implemented to assess both detection accuracy and segmentation quality. <br>The experimental results confirm the potential practical applicability of modern CT image processing approaches and provide a basis for further research in the field of accurate defect detection in natural materials.	en
dc.description.department	Katedra informatiky a výpočetní techniky	cs
dc.description.result	Obhájeno	cs
dc.format	59 s.
dc.identifier	100724
dc.identifier.uri	http://hdl.handle.net/11025/66574
dc.language.iso	cs
dc.publisher	Západočeská univerzita v Plzni	cs
dc.rights	Plný text práce je přístupný bez omezení	cs
dc.rights.access	openAccess	cs
dc.subject	segmentace	cs
dc.subject	detekce vad dřeva	cs
dc.subject	CT snímky	cs
dc.subject	dubové dřevo	cs
dc.subject	YOLOv11	cs
dc.subject	Florence-2	cs
dc.subject.translated	segmentation	en
dc.subject.translated	wood defect detection	en
dc.subject.translated	CT images	en
dc.subject.translated	oak wood	en
dc.subject.translated	YOLOv11	en
dc.subject.translated	Florence-2	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd	cs
dc.thesis.degree-level	Bakalářský	cs
dc.thesis.degree-name	Bc.	cs
dc.thesis.degree-program	Informační systémy	cs
dc.title	Segmentace vad dřeva z CT snímků	cs
dc.title.alternative	Wood defect segmentation from CT images	en
dc.type	bakalářská práce	cs
local.files.count	9	*
local.files.size	5463486849	*
local.has.files	yes	*
local.relation.IS	https://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=100724