KLÍMA, J. Automatické vyhodnocování termovizních snímků fotovoltaických panelů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2016.
Úkolem studenta v diplomové práci, zadané ústavem elektrotechnologie FEKT VUT v Brně, bylo vytvořit software pro automatické detekování vad fotovoltaických panelů z termovizních snímků. Student Jakub Klíma, Bc. zpracoval diplomovou práci v rozsahu 57 stran včetně seznamu použité literatury, obrázků a tabulek. Práce je doplněna třemi stranami příloh. Práci rozčlenil do devíti kapitol. Teoretická část zahrnuje úvod do problematiky diagnostických metod fotovoltaických panelů, defektů fotovoltaických panelů, termovizního zobrazování a možnostem počítačového zpracování snímků. V praktické části se student zabývá samotným návrhem software pomocí prostředí C# a využitím neuronových sítí. Funkčnost software je ověřena na snímcích pořízených samotným studentem a dodaným firmou zabývající se servisní činností fotovoltaických elektráren. Student kombinovaného studia FEKT v práci postupoval samostatně s dostatečnou iniciativou. Práce je sepsána pečlivě a přehledně, její vnější úprava a grafické zpracování jsou na dobré úrovni. Odborná úroveň odpovídá znalostem získaným v daném oboru magisterského studijního programu. Předložená diplomová práce a její zpracování splňují požadavky kladené na diplomovou práci. Proto doporučuji práci k obhajobě a všechny projevy studenta hodnotím známkou výborně
Student Bc. Klíma předložil k posouzení svou diplomovou práci, která se zabývá automatizovaným vyhodnocováním termovizních snímků fotovoltaických panelů pomocí vlastnoručně napsaného software. Tento software využívá implementaci neuronové sítě jako prvku umělé inteligence pro učení se a následného rozeznávání defektů, je napsán v jazyce C# v prostředí MS Visual Studio 2016. K předzpracování a implementaci neuronové sítě je použita knihovna AForege.NET. Práce je členěna logicky a systematicky do devíti kapitol, z nichž prvních pět mapuje teoretické základy diagnostických metod, konstrukce diagnostických termovizních zařízení a zpracování obrazu pomocí počítačového vidění a umělé inteligence. Práce má 61 stran a tudíž je z hlediska rozsahu v souladu se standardem diplomové práce. Literární rešerše a úvod do problematiky je zevrubně zpracován, obrázky i přejaté části textu jsou správně citovány. Práce má dobrou grafickou úpravu, je výjimečné se v tomto směru vyskytují drobné nedostatky (např. na straně 16 chybějící odkaz na obrázek). Z jazykového hlediska se místy objevují nespisovné výrazy, výjimečně chybí slovo ve větě. Nalezené drobné chyby nikterak nesnižují kvalitu práce a mohu konstatovat, že její obsah byl psán velmi srozumitelně a dostatečně odborně. V rámci praktické části byla zařazena kapitola Analýza problému, samotné řešení problému nalezení defektů na FV panelu bylo rozděleno na 4 dílčí kroky, které byly podrobně popsány a každému z nich byla přidělena třída, která tento problém řeší. Zajímavé by bylo vědět, jakým způsobem autor volil rozšiřující příznaky jednotlivých objektů a z jakého čerpal zdroje. Také bych uvítal podrobnější popis implementace samotné neuronové sítě, třídě DefectsIntelligence, která řeší neuronovou síť je věnován odstavec o třech řádcích. Samotné uživatelské rozhraní je velmi dobře zpracováno, dostatečně intuitivní a zároveň funkční. Program je dobře odladěný, při zběžném testování programu se mi nepodařilo zjistit žádné nedostatky. Experiment se sestává z hledání optimálního příznakového vektoru, což je vektor s různým počtem příznaků, které popisují objekty. Cílem je najít optimální velikost vektoru, který bude po naučení neuronové sítě generovat nejlepší výsledky (hodnoceno dvěma faktory: počet chyb a správnost určení). Samotný experiment i příznakové vektory jsou v práci popsány velmi dobře, jen bych ocenil diskuzi ohledně toho, proč byly zvoleny vektory právě stanovené velikosti (velikosti vektorů se od sebe velmi liší: 7, 10, 22, 35, 56) a jak byly vybírány příznaky do jednotlivých vektorů. Výsledek experimentu dává opravdu zajímavou informaci o tom, že samotná velikost vektoru z daleka nezaručuje lepší výsledky. Opět bych ocenil zhodnocení, zda skutečnost, že nejlepších výsledků bylo dosaženo s vektorem velikosti 10, nesouvisí více výběrem příznaků, než s jejich počtem. V této práci jsem neshledal žádné zásadní nedostatky, s ohledem na Pokyny pro vypracování diplomové práce lze konstatovat, že její zadání bylo studentem splněno ve všech svých bodech. Práci navrhuji ohodnotit stupněm A 100b a doporučuji ji k obhajobě.
eVSKP id 94741