Vysokoškolské kvalifikační práce Fakulty elektrotechniky a informatiky / Theses and dissertations of Faculty of Electrical Engineering and Computer Science (FEI)

Permanentní URI k tomuto záznamuhttp://hdl.handle.net/10084/2564

Kolekce obsahuje vysokoškolské kvalifikační práce Fakulty elektrotechniky a informatiky.

Procházet

Nyní se zobrazuje 1 - 20 z 13886

Pokročilé metody řízení střídavých regulovaných pohonů s využitím umělých neuronových sítí
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Kubatko, Marek; Kuchař, Martin; Slivka, David; Špánik, Pavol; Chlebiš, Petr
Disertační práce je zaměřená na oblast bezsenzorového řízení asynchronních pohonů s využitím neuronových sítí. Bezsenzorové řízení je oblast, na kterou se z důvodu možné poruchovosti snímačů přechází, aby vzniklo robustnější a méně údržbové řešení. Neuronové sítě nachází využití v nahrazení vybraných problematických regulačních bloků za účelem zlepšení vlastností používaných metod. Konkrétně jsou zde rozebrány bezsenzorové metody pro estimaci otáček a proudů, které byly ověřeny v simulačním prostředí a následně na experimentálním stanovišti. V práci je uvedena dosavadní úroveň poznání v oblasti bezsenzorových metod s uvedením běžně používaných způsobů řízení, které se nespoléhají na snímače otáček nebo proudů. Bezsenzerové metody s referenčním a adaptivním modelem (MRAS), kterými se zabývá praktická část práce, jsou detailněji popsány včetně jejich variant. Metody vycházející z Q-MRAS a CB-MRAS pozorovatelů modifikované o implementovanou neuronovou síť, byly použité jako estimátory otáček nebo proudů. Díky zvolené úpravě původních MRAS estimátorů vzniklo spolehlivější a vůči chybám odolnější řešení, a odpadají tak například nutnosti složitých výpočtů v podobě diferenciálních rovnic a jiných matematických funkcí typických pro tyto metody. Navíc jsou tyto rovnice závislé na přesných znalostech parametrů motoru. V závěrečné části práce je popsán proces trénovaní a implementace neuronových sítí pro jednotlivá řešení a veškeré výsledky všech estimátorů jsou ověřeny rozsáhlými simulačními testy v prostředí MATLAB Simulink. Experimentální průběhy byly získány na měřícím stanovišti postaveném na řídícím mikrokontroléru TMS320F28335 od Texas Instruments a změřeny pomocí integrovaného obvodu určeného pro sběr dat WIZnet W5300.
Metody detekce arytmií z neinvazivního plodového elektrokardiogramu
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Paličková Mikolášová, Martina; Martinek, Radek; Platoš, Jan; Mišurec, Jiří; Plášek, Jiří
Disertační práce se zabývá návrhem a ověřením zpracovatelského řetězce pro automatizované hodnocení fetálního rytmu z neinvazivně snímaného abdominálního EKG, zahrnujícího extrakci fetální složky, detekci fQRS komplexů a navazující analýzu rytmických odchylek. Rozhodovací část byla založena na hodnocení odvozené fetální srdeční frekvence, variability rytmu a nepravidelnosti RR intervalů a umožňovala binární screening pravidelnosti rytmu i rozšířenou analýzu suspektních záznamů. Metodika byla primárně ověřena na datech databáze NIFEA, kde bylo při binární klasifikaci dosaženo celkové přesnosti 84,6 %, citlivosti 91,7 % pro záchyt nepravidelného rytmu a specificity 78,6 % pro rozpoznání rytmu pravidelného. Rozšířená analýza ukázala, že navržený přístup dokáže u suspektních záznamů určit převažující charakter rytmické odchylky, zejména ektopický, tachykardický nebo bradykardický vzor. Navržený zpracovatelský řetězec byl dále ověřen také na reálných datech z klinické praxe, což podpořilo jeho praktickou použitelnost v podmínkách nižší a proměnlivé kvality signálu a zároveň poukázalo na limity klinicky snímaných záznamů. Dosažené výsledky ukazují, že navržený přístup může sloužit jako nástroj pro automatizovanou podporu screeningu fetálních rytmických odchylek a jako základ pro další rozvoj metod neinvazivního monitorování plodu, včetně potenciálních aplikací v oblasti domácího sledování a telemedicíny.
Geometric Representation and Data Generation for Sequential Data Analysis
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Bai, Zhonghai; Bay, Vo Dinh; Komínková Oplatková, Zuzana; Sosík, Petr; Dráždilová, Pavla
Sequential data, including human motion sequences, skeletal rehabilitation movements, and biomedical time-series signals, play an important role in intelligent healthcare, human–computer interaction, and assistive systems. Effective analysis of such data requires modeling temporal dynamics while preserving structural characteristics and addressing practical challenges such as nonlinear geometry, limited data availability, and class imbalance. Traditional Euclidean-based approaches often struggle to capture intrinsic structural dependencies in motion data, while real-world biomedical signals frequently suffer from data imbalance that affects classification reliability. This thesis investigates sequential data analysis with an emphasis on geometric representation and data generation strategies, and further examines classification robustness in imbalanced biomedical time-series scenarios. First, Symmetric Positive Definite (SPD) manifold-based representations are developed for hand gesture recognition and rehabilitation assessment. For gesture sequences, region-based SPD descriptors capture spatial correlations, while temporal dynamics are integrated through Log-Euclidean fusion to form a spatio-temporal representation. For rehabilitation evaluation, motion data are modeled on the SPD manifold and evaluated using multiple discriminative strategies to assess correct and incorrect movements, demonstrating strong cross-subject performance on public datasets. Second, to address the limited availability and variability of skeleton sequence datasets, a lightweight generative framework is proposed for motion data synthesis. The method combines a Neural Gas Network for coarse sequence generation with a spatiotemporal refinement network to enhance anatomical plausibility, temporal smoothness, and motion realism. Experimental results demonstrate improvements over existing approaches across multiple motion quality metrics. The generated data increase dataset diversity and contribute to improved robustness of downstream assessment models. Finally, recognizing that real-world sequential data may exhibit severe class imbalance, this thesis extends the investigation to biomedical time-series classification using cardiotocography (CTG) signals. A multifusion strategy integrating undersampling, threshold optimization, and ensemble classifiers is proposed to improve pathological case detection under imbalanced distributions. Experimental results show substantial improvements in identifying minority pathological cases compared with baseline models, underscoring the importance of decision-level optimization in healthcare sequential data analysis. In summary, this thesis contributes to sequential data analysis through geometric representation methods for structured motion modeling, data generation techniques for enhancing dataset diversity, and classification strategies for handling imbalanced biomedical signals. The proposed approaches improve modeling effectiveness and robustness across motion understanding and healthcare-related applications.
Artificial Protozoa Optimizer
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Wang, Xiaopeng; Snášel, Václav; Sosík, Petr; Dráždilová, Pavla; Komínková Oplatková, Zuzana
The increasing complexity of real-world challenges has necessitated the development of robust optimization methods. As technological landscapes evolve and societal demands grow more sophisticated, optimization problems have become progressively diverse and intricate, underscoring the theoretical and practical urgency of efficient optimization strategies. Metaheuristic algorithms (MAs), inspired by natural phenomena, have emerged as indispensable tools for addressing these challenges over decades of evolution. However, the “No Free Lunch” (NFL) theorem states that no single metaheuristic can outperform all others across every possible objective function. This theoretical foundation suggests that specific algorithms may exhibit superior performance when tailored to certain problem classes or real-world applications. This motivates researchers to develop new metaheuristics for specific domains. This dissertation proposes a suite of innovative metaheuristic algorithms to solve complex optimization tasks. The core research contributions are as follows: 1. Develops a novel Artificial Protozoa Optimizer (APO) inspired by the biological mechanisms of protozoa for single-objective optimization problems. The algorithm uniquely formalizes foraging, dormancy, and reproduction behaviors into a computational framework. Different from previously proposed metaheuristics, APO introduces four specialized search operators: autotrophic foraging, heterotrophic foraging, dormancy, and reproduction. The efficacy of APO is rigorously validated against an extensive benchmark suite, with experimental results demonstrating superior performance compared to state-of-the-art algorithms. 2. Proposes an innovative Membrane Algorithm based on Artificial Protozoa Optimizer (MAAPO), which enhances the global search capabilities of the original APO. First, MAAPO integrates the parallel and distributed computational paradigm of Membrane Computing (MC) to facilitate diverse information exchange. Second, the autotrophic foraging model is refined using a Roulette Fitness-Distance Balance (RFDB) selection mechanism, which identifies promising reference points to guide the search process more efficiently. 3. Formulates a Multi-Objective Artificial Protozoa Optimizer (MOAPO) tailored for complex multi-objective optimization problems. MOAPO employs non-dominated sorting and crowding distance mechanisms for population ranking to balance exploration and exploitation. Crucially, the weight factors for autotrophic and heterotrophic foraging are dynamically updated based on population ranking rather than original fitness values. Finally, an environmental selection strategy is integrated to curate the population for subsequent iterations, facilitating the discovery of a high-quality and well-distributed set of Pareto optimal solutions. 4. Introduces a Surrogate-Assisted Artificial Protozoa Optimizer (SAAPO) designed to address computationally expensive optimization problems where fitness evaluations are cost-prohibitive. This dissertation develops four innovative metaheuristics tailored for varied optimization landscapes. APO and MAAPO are designed for single-objective optimization, MOAPO addresses multi-objective optimization, and SAAPO targets expensive optimization scenarios. Furthermore, these algorithms are successfully applied to complex real-world domains, including engineering design, image segmentation, feature selection, and robotic arm trajectory optimization.
Cognitive CAPTCHA authorization codes
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Dinh, Trong Nghia; Ogiela, Lidia Dominika; Zelinka, Ivan; Jašek, Roman; Farana, Radim
CAPTCHA (Completely Automated Public Turing Test to Tell Computers and Humans Apart) has long been an essential mechanism for protecting online services against automated abuse. By leveraging Human–Artificial Intelligence (HAI) interactions, CAPTCHAs aim to differentiate legitimate users from bots. Over time, CAPTCHA schemes have evolved from simple text- and image-based puzzles to more advanced mechanisms intended to improve usability and resilience. However, conventional CAPTCHAs have been compromised by automated solvers, while even modern approaches remain vulnerable to human-assisted relay attacks. The advent of fourth-generation bots, capable of closely mimicking human behavior, presents a major challenge to CAPTCHA design. Cognitive-based CAPTCHAs demonstrate strong resistance to automated attacks, but their reliance on limited challenge sets and trusted hardware makes them susceptible to relay-based threats. Despite these drawbacks, cognitive approaches offer a promising foundation for advancing human-centered cybersecurity. This study investigates the development of next-generation CAPTCHA systems with the following objectives: Analyze the limitations, challenges, and opportunities of current CAPTCHA schemes. Strengthen resilience by integrating cognitive features with advanced machine learning methods such as Convolutional Neural Networks (CNNs) and Deep Neural Networks (DNNs). Establish robust evaluation methods to measure usability and the effectiveness of user–CAPTCHA interaction. Design novel cognitive CAPTCHA authorization codes that provide secure and user-friendly verification while resisting automated and relay-based attacks. By addressing these objectives, this research contributes to the development of CAPTCHA schemes that balance usability and security, offering stronger defenses against increasingly sophisticated automated and human-assisted threats.
Analysis and Interpretation of Hidden Properties in Heterogeneous Biomedical data
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Janča, Ondřej; Kudělka, Miloš; Komínková Oplatková, Zuzana; Dvorský, Jiří; Arakelyan, Arsen
Modern medicine generates vast amounts of complex and interconnected patient data that often do not align with the assumptions of classical statistical analysis. The traditional approach, based on defining individual variables and examining their relationships, is gradually becoming exhausted, while machine learning and neural network methods are finding ever broader applications. Between these two approaches lies multivariate analysis and its important tool, the study of similarity between objects. In the biomedical context, similarity analysis is most often applied in two types of tasks: classification and clustering. Although these tasks are methodologically distinct, their objectives may overlap from the perspective of a domain expert (a clinician). It is precisely at this intersection that data analysis using similarity networks can be found. Patient Similarity Networks (PSN) combine dimensionality reduction with the analysis of similarity among individual records (patients). Their construction often incorporates information about data classes (e.g., phenotypes or disease severity levels). The aim is to identify clusters of patients with similar characteristics and interpret their key features. This dissertation provides a comprehensive overview of mathematical and computational tools used in PSN analysis, as well as related machine learning methods. The main contributions of the dissertation are as follows: 1. A review of machine learning methods applied to biomedical problems that can be addressed using PSN, and their systematic comparison with the PSN approach. 2. A review of mathematical tools involved in the processes of construction, evaluation, and interpretation of similarity networks. 3. The formulation of a complete methodological framework for the analysis of biomedical data using PSN, from data preprocessing to visualization of results. 4. Proposal of a method of application of the Matthews correlation coefficient (MCC) that enables its use in multi-class multi-cluster problems. 5. The introduction of a novel method for PSN evaluation, cPurity, which complements the information provided by MCC. 6. Implementation of the LRNet algorithm in Python, extended with visualization and evaluation tools. 7. Implementation of a bioinspired extension of the LRNet algorithm for more efficient selection of candidate networks during analysis.
Metody řízení střídavých regulovaných pohonů s odolností vůči poruchám snímačů veličin
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Šotola, Vojtěch; Kuchař, Martin; Brandštetter, Pavel; Fedor, Pavol; Špánik, Pavol
Tato disertační práce se zabývá návrhem a realizací metod řízení střídavých elektrických pohonů s asynchronním motorem, které jsou odolné vůči poruchám snímačů veličin (Sensor Fault-Tolerant Control – SFTC). Poruchy snímačů mohou vést k nestabilitě, totálnímu selhání regulace a nefunkčnosti pohonu. Práce je zaměřena na poruchy snímačů proudů a otáček. Práce nejprve shrnuje současný stav poznání v oblasti FTC a analyzuje existující metody detekce, izolace a kompenzace poruch. Dále jsou navrženy tři algoritmy aktivního SFTC určené pro vektorově řízené asynchronní pohony se dvěma proudovými snímači (Direct Field-Oriented Control - DFOC). Jednotlivé algoritmy využívají různé přístupy k detekci poruch – třetí derivaci proudů a rezidua otáček, porovnání vektorů statorových proudů nebo využití estimátorů rotorového magnetického toku a rezidua proudu a otáček. Kompenzace je provedena nahrazením měřených veličin estimovanými z estimátoru proudu a upraveného pozorovatele CB-MRAS s pomocnou proměnnou. Navržené metody byly ověřeny pomocí rozsáhlých simulačních testů v prostředí MATLAB Simulink a následně implementovány do mikropočítačového řídicího systému s DSC TMS320F28379D. Funkčnost algoritmů byla experimentálně potvrzena na laboratorním stanovišti s asynchronním motorem při simulovaných poruchách senzorů. Výsledky ukazují, že navržené SFTC algoritmy významně zvyšují robustnost regulovaných pohonů bez nutnosti změny struktury řízení.
Vývoj víceosého snímače síly pro ortotické aplikace
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Procházka, Michal; Penhaker, Marek; Pokorný, Miroslav; Kudrna, Petr; Daniel, Matej
Disertační práce je zaměřena na výzkum a vývoj víceosého senzoru síly pro ortotické aplikace s důrazem na snímání chůzového cyklu prostřednictvím senzorické vložky. Hlavním cílem je vytvořit přesný a konstrukčně efektivní systém pro stanovení centra tlaku s minimálním počtem senzorů, který snižuje nároky na hardware i náklady při zachování kvality měřených dat. Práce zahrnuje kritickou analýzu současných technologií víceosých senzorů pro monitorování chůze a jejich aplikací v ortotice. Následně se zaměřuje na výběr a experimentální charakterizaci piezorezistivních materiálů určených pro konstrukci senzorů přizpůsobených ortotickým požadavkům. V experimentální části byl navržen a testován jednoosý senzor, jehož výsledky slouží jako základ pro návrh víceosého systému. Hlavním přínosem práce je návrh víceosého senzoru, metodiky sběru dat, metodiky interpretace dat a metodiky fúze informací z kombinace víceosých senzorů integrovaných ve vložce. Navržená metodika umožňuje stanovit polohu centra tlaku během chůzového cyklu s vysokou přesností a přispívá tak k diagnostice chůze a vývoji personalizovaných ortotických a rehabilitačních pomůcek v klinické i sportovní praxi.
Analýza obrazu biomedicínských dat pomocí umělé inteligence
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Doleží, Vít; Gajdoš, Petr; Komínková Oplatková, Zuzana; Petráčková, Anna; Krömer, Pavel
Tato práce vyvíjí praktické nástroje pro analýzu biomedicínských obrazových dat, které řeší tři konkrétní problémy v biomedicínských zobrazovacích technikách: extrakci molekul z optických mapovacích snímků, instanční segmentaci buněk chronické lymfocytární leukémie v mikroskopii ve světlém poli a potlačení žeber v rentgenových snímcích hrudníku. Pro optické mapování byl navržen nástroj kombinující zarovnání FOV, segmentaci pomocí U‑Net a extrakci jednotlivých molekul metodou watershed. Pro hledání značek v molekule byly navrženy dva přístupy, jeden využívá intenzity světla a druhý počítá se SNR v okolí značky. Pro segmentaci buněk byly srovnány moderní enkodér–dekodér architektury, kde nejlepší výsledky měl U‑Net++ s ResNeSt‑269. Pro potlačení kostí byl nasazen Autoenkodér, U-net a GAN trénovaný s různými variacemi ztrátových funkcí.
PWM-based Mitigation of selected Parasitic Phenomena in LEDs and Semiconductor Laser Devices
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Slouka, Miroslav; Šiška, Petr; Pudiš, Dušan; Uherek, František; Vlček, Čestmír
This PhD thesis presents experimental laboratory-based studies on pulse-width modulation (PWM) as a technique to control changes in emission parameters caused by parasitic phenomena in three classes of semiconductor light sources. The studied devices are automotive light emitting diodes (LEDs) and laser-excited phosphors, high-power visible edge-emitting lasers (EELs), and a large-aperture vertical-cavity surface-emitting laser (VCSEL). Continuous-wave (CW) and PWM operation are compared under matched electrical and thermal conditions. The aim is to assess how tailored PWM drive schemes control optical power, color and spectral shifts, and spatial emission in application-relevant regimes. The results show that optimized PWM can improve chromaticity stability in phosphor-converted automotive sources. Appropriately chosen PWM parameters stabilize spectral and spatial emission in selected EELs and enable more direct control of spectral emission and the far-field pattern in the large-aperture VCSEL. The work also identifies regimes where PWM becomes disadvantageous, including long-pulse operation in LEDs, where the average optical power can decrease, and control of selected non-phosphor-converted automotive LEDs, where PWM offers no clear advantage over CW dimming. These findings are used to define PWM-based control strategies with practical parameter ranges for semiconductor light sources in industrial and scientific applications.
AI-Driven Analysis of Microscopy Data for Medical Decision Support
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Vašinková, Markéta; Gajdoš, Petr; Arakelyan, Arsen; Krömer, Pavel; Szemes, Tomáš
Recent advances in deep learning have significantly expanded the possibilities of biomedical image analysis, particularly in automated and precise segmentation, classification, and tracking of cellular structures. This dissertation focuses on the computational analysis of microscopy image data acquired under real laboratory and diagnostic conditions. The analyzed datasets include both bright-field and fluorescence microscopy modalities, encompassing time-lapse imaging, low-contrast conditions, and complex biological environments. The thesis proposes robust and interpretable methods for image data analysis aimed at cell detection, segmentation, classification, and counting—especially in challenging scenarios involving irregular cell shapes and high noise levels in the input data. It introduces a novel methodology for quantitative evaluation of wound-healing assays based on sector-wise spatial analysis and cell population tracking. Furthermore, it presents a comparative study of deep neural network architectures for the segmentation of chronic lymphocytic leukemia cells, a pipeline for automatic counting of fibroblasts and fibroblast-like cells in highly noisy bright-field microscopy images, and outlines future work focused on the application of hyperbolic neural networks for white blood cell classification from peripheral blood smears. This approach may contribute to faster and more accurate diagnostics of various hematological diseases, including leukemias. Special emphasis is placed on fibroblast behavior during wound-healing assays. These cells exhibit heterogeneous morphology and migration patterns that require not only computational precision but also biological interpretability. By integrating deep learning techniques, classical image processing, and probabilistic modeling, the proposed approaches provide practical tools for cellular research and diagnostic applications. All proposed methods were validated on real microscopy data in collaboration with biomedical research institutions.
Evoluční fuzzy pravidla pro adaptivní řízení spotřeby energie v IoT senzorech
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Mikuš, Miroslav; Prauzek, Michal; Čermák, Petr; Habiballa, Hashim; Ožana, Štěpán
Bezdrátové senzorické sítě (WSN) představují klíčovou technologii pro autonomní sběr dat v rámci systémů internetu věcí (IoT), avšak jejich provoz je omezen dostupnou energií a proměnlivostí podmínek prostředí. Tato práce se zabývá řízením spotřeby energie v bezdrátových senzorických uzlech napájených prostřednictvím energy harvestingu. Na základě provedené analýzy jsou formulovány cíle zaměřené na návrh inovativní metody inspirované genetickými a evolučními principy a na její ověření. Navržená metoda využívá evoluční fuzzy pravidla (EFR), což umožňuje automatickou syntézu struktury i parametrů kontrolérů pomocí genetického programování. Metoda byla vyhodnocena v rozsáhlém softwarově simulovaném experimentu nad historickými meteorologickými daty a porovnána s referenčními strategiemi řízení spotřeby energie. Výsledky prokazují dosažení zlepšení z pohledu hodnoticí metriky a křížové testování potvrdilo přenositelnost natrénovaných kontrolérů mezi různými lokalitami. Výpočetní nároky byly dále ověřeny na reálném hardwaru vestavěného systému. Hlavním přínosem práce je návrh nové metody řízení spotřeby energie IoT uzlů, která kombinuje evoluční algoritmy s fuzzy logikou, nevyžaduje ruční návrh struktury a umožňuje automatickou syntézu řídicí strategie. Praktickým přínosem je ověřená implementovatelnost na cenově dostupném hardwaru.
Advanced Machine Learning Techniques for Time Series Analysis of Large-Scale, Real-World, Noisy Data
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Klein, Lukáš; Dvorský, Jiří; Jokić, Dejan; Vondrák, Ivo; Saeed, Khalid
The reliable operation of modern power distribution networks is essential for their safety and efficiency. Partial discharges (PDs) within the insulation of covered conductors (CCs) threaten network integrity because they can cause insulation degradation, outages, and safety incidents. This dissertation addresses the detection and classification of PDs using contactless antenna-based measurements. Such data are voluminous, highly noisy, imbalanced between PD and non-PD classes, and often contain only subtle, transient PD signatures masked by interference. Existing algorithms struggle under these conditions, resulting in low accuracy, high false-alarm rates, and difficult deployment in resource-constrained environments. This work therefore introduces new machine learning methods that are noise-resilient and optimized for deployment on edge computing platforms. Emphasis is placed on low power consumption, high classification accuracy, and the minimization of false positives, which are critical for power system reliability. The main contributions of this dissertation are as follows: 1. A novel stacking-ensemble deep learning architecture for raw one-dimensional time-series data. It combines one-dimensional convolutional neural networks (1D-CNNs) for robust feature extraction with autoencoders for anomaly detection. Together with a custom denoising algorithm, it delivers significantly better performance than existing methods and a wide range of contemporary classifiers when classifying PDs directly from unprocessed, noisy signals. 2. A hierarchical ensemble of two-dimensional CNNs applied to PD spectrograms, designed for low-latency, real-time classification on resource-constrained devices (such as Google Edge TPU or NVIDIA Jetson) while maintaining excellent accuracy and energy efficiency. 3. A lossy data compression algorithm based on a deep ResNet autoencoder with integrated anomaly correction and an adaptive loss, enabling efficient transmission of large-scale PD data over unreliable networks (e.g., 2G GSM) while preserving diagnostically critical features and transient anomalies that standard compressors tend to discard. 4. The creation, meticulous validation, and public release of a large-scale dataset of contactless PD measurements from real covered conductors, with both automatic and expert annotations, serving as a reference for reproducible research and benchmarking of new methods. 5. An evaluation of conditional generative adversarial networks (cGANs) for synthesizing realistic PD spectrograms, showing that cGANs effectively augment training data, mitigate class imbalance, and lead to statistically significant improvements in classifier generalization. 6. Advanced on-device preliminary screening using lightweight two-dimensional CNNs, applied to spectrograms or newly proposed two-dimensional histograms (derived from signal amplitude and steepness). These methods achieve high recall while substantially reducing transmitted data volume and energy consumption of remote monitoring units. The proposed approaches substantially enhance the reliability and accuracy of fault diagnosis in covered conductors, including the challenging detection of high-impedance faults that often precede insulation failure, and contribute broadly to time-series analysis of noisy, rare-event real-world data. Future work will focus on further optimization, integration, and field validation, including high-confidence remote (server-side) applications and the development of adaptive, intelligent monitoring systems to strengthen the dependability of modern power systems.
Object Detection and Classification based on Artificial Intelligence Methods
(Vysoká škola báňská – Technická univerzita Ostrava, 2025) Ly Duc, Minh; Bilík, Petr; Kawala-Sterniuk, Aleksandra; Pavlovičová, Jarmila; Jaroš, René
Traditional computer vision methods are limited in processing complex data, such as images of wood, or white blood cells, due to limited robustness of their representation ability and susceptibility to noise. This thesis therefore proposes to apply Graph Neural Networks (GNNs) and hybrid optimization algorithms in order to improve accuracy and stability in complex image recognition. GNNs are thus used to exploit spatial and contextual relationships between image regions, helping to increase accuracy in recognition and classification. Chapter 2 explores the challenges of applying machine learning and deep learning models to real-world wood surface images and White Blood Cells (WBC) recognition, especially problems like data imbalance, image noise, or morphological ambiguity. In chapter 3 are described the theoretical foundation for Graph Attention Network (GAT) and object detection, describing spatial reasoning, attention mechanisms, and state of the art object detectors like YOLOv10 and YOLOv11. In chapter 4 is presented the evaluation system of the proposed framework in three selected application areas: Wood surface recognition using the Convolutional Neural Network (CNN) + Label Propagation Particle Swarm Optimization (LPMPSO) + Graph Attention Network Variational Autoencoder (GATVAE) model as the first one, WBC classification with the YOLOv10 + Multi-Hop Graph Attention Network (MHGAT) model as the second one, and finally the YOLOv11 + GAT + Transformer-based head as the last application area. In chapter 5 are summarized the results obtained from the proposed models and the effectiveness in two practical applications is evaluated. In this chapter, the contribution of the thesis in overcoming the limitations of traditional methods and proposes directions for future applications is highlighted. In summary, research conducted in this thesis improves the efficiency of wood surface defects classification and white blood cell classification. Combination of GNN with deep learning and modern optimization improves the accuracy and adaptability in real-world environments and opens up new research potential for graph data-based systems.
Simulace vícenohých tvorů ve 3D prostředí
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Juroško, Pavel; Gajdoš, Petr; Němec, Martin
Tato práce se zabývá návrhem a implementací systému pro simulaci pohybu a chování vícenohých tvorů v prostředí Unreal Engine. V úvodní části jsou představeny klíčové principy a technologie relevantní pro řešenou problematiku. Na jejich základě jsou zvoleny vhodné přístupy, které jsou následně aplikovány při návrhu a realizaci výsledného systému. Implementované řešení umožňuje simulaci jak samotného pohybu, tak i komplexnějších forem chování v dynamicky se měnícím 3D prostředí. Funkčnost systému i jeho omezení jsou ověřeny pomocí testovacích scén, které umožňují interakci prostřednictvím virtuální reality a zároveň slouží k analýze výkonnostních nároků řešení
Návrh a realizace intenzitního senzoru vhodného pro měření dechové frekvence lidského těla
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Egger, Daniel; Nedoma, Jan; Fridrich, Michael
Tato diplomová práce se věnuje návrhu, realizaci a experimentálnímu ověření mikroohybového senzoru určeného pro měření dechové frekvence, který je umístěn v oblasti zad lidského těla. Teoretická část se zabývá principem šíření světla v optických vláknech a popisem základních jevů, jako jsou útlum, disperze a ohybové ztráty. Dále představuje přehled různých typů vláknově optických senzorů se zaměřením na intenzitní senzory mikroohybového typu. Součástí teorie je také krátké shrnutí metod měření dechové frekvence lidského těla a přehled aktuálního stavu výzkumu využití tří typů optovláknových senzorů pro monitorování dechové a srdeční aktivity na základě vybraných vědeckých studií a článků. Praktická část popisuje návrh a výrobu dvanácti vzorků mikroohybových destiček s využitím 3D tisku z materiálů PLA, PETG a TPU. V rámci testovací fáze byl zkoumán vliv materiálů a geometrických parametrů na citlivost senzoru. Experimentální měření bylo provedeno s třemi vybranými vzorky na skupině osmi dobrovolníků. Naměřená data z experimentálního měření byla zpracována v jazyce Python. Dechová frekvence získaná z navržených senzorů byla porovnána s referencí pomocí Bland--Altmanovy analýzy za účelem posouzení vzájemné shody.
Tvorba aplikací určených pro interaktivní stůl
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Prorok, Vojtěch; Němec, Martin; Beránek, Jakub
Tato bakalářská práce se zabývá návrhem a implementací aplikací pro interaktivní stůl kombinující snímání reálného prostředí s projekcí digitálního obsahu. Aplikace využívají hloubkový senzor Microsoft Kinect V2, knihovnu OpenCV pro zpracování obrazu a kalibraci, herní engine Unreal Engine 5 pro vývoj aplikací a projektor. Byly vyvinuty dvě ukázkové aplikace: barevná vizualizace terénu zobrazující výškovou mapu snímaného povrchu a hra žánru Tower Defense.
Analýza semaforov v doprave pomocou obrazov
(Vysoká škola báňská – Technická univerzita Ostrava, 2024) Štrba, Michal; Fusek, Radovan; Sojka, Eduard
Cílem této práce je vytvořit aplikaci, která bude analyzovat světelnou signalizaci v dopravě pomocí obrázků. Motivací je přiblížit si využití takového programu při autonomním řízení vozidel. Budeme detekovat samotné semafory na snímcích a následně zjišťovat jejich stav. Bude použita metoda, která je v současné době považována za jednu z nejlepších pro vyhledávání objektů v obrazech, a to detekce pomocí konvolučních neuronových sítí. V první části práce budou popsány základní vlastnosti konvolučních neuronových sítí, jejich vlastní vrstvy a jak tato metoda detekce obecně funguje. Poté bude popsán soubor dat, který jsme použili, a jeho vlastní pořízení. V poslední části popíšeme vlastní trénink detektoru, porovnáme testované arichtektury a také otestujeme, jak si náš natrénovaný detektor vede na reálných datech.
Streaming FM rádií pomocí RTL-SDR
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Hrubý, Jiří; Seidl, David; Moravec, Pavel
Tato bakalářská práce se zabývá návrhem a implementací serverové aplikace v jazyce C++ pro softwarově definované rádio, která umožňuje souběžnou demodulaci více FM stanic. Architektura systému využívá asynchronní vícevláknový model typu producent-konzument. Výpočetní řetězec digitálního zpracování signálu je hardwarově akcelerován pomocı̌SIMD. Výsledný zvuk je uživatelům streamován v reálném čase po síti TCP.
Využití extrakčních metod pro zpracování řečových signálů
(Vysoká škola báňská – Technická univerzita Ostrava, 2026) Fanfara, Ondřej; Jaroš, René; Moravec, Tomáš; Danys, Lukáš
Tato diplomová práce se zabývá problematikou zpracování a extrakce řečových signálů pomocí různých typů výpočetních metod. Teoretická část obsahuje přehled vlastností lidské řeči, techniky zpracování a metody extrakce takovýchto signálů. Následná experimentální část popisuje návrh vlastního řešení, tvorbu relevantních datasetů pomocí aplikace v prostředí LabVIEW a výslednou aplikaci pro zpracování dat. Tato aplikace umožňuje nahrání dat, jejich vizualizaci, zpracování a opětovné uložení výsledků. Úspěšnost filtrace je definována, jak metrikami popisujícími podobu signálu a šumu, tak metodami, které hodnotí výsledné věty po převodu na text. Závěr práce je věnován podrobné analýze získaných dat, evaluaci účinnosti použitých algoritmů na syntetickém a přirozeném datasetu, diskusi nad limity navrženého řešení a budoucímu zdokonalení.

Procházet

Nejnovější příspěvky