Klasifikace obrazu elektronového mikroskopu pomocí umělé neuronové sítě – Bc. Magdaléna Skřičilová
Bc. Magdaléna Skřičilová
Master's thesis
Klasifikace obrazu elektronového mikroskopu pomocí umělé neuronové sítě
Electron microscope image classification using an artificial neural network
Anotácia:
Tato diplomová práce se zabývá využitím umělých neuronových sítí pro klasifikaci obrazu skenovacího elektronového mikroskopu. Jejím cílem je vytvoření nástroje pro automatickou detekci vad obrazu, konkrétně rozostření a astigmatismu, který bude možné využít v rámci automatizačního testovacího frameworku pro regresní testování mikroskopu. Pro tyto účely je zde navržena architektura konvoluční neuronové …viacAbstract:
This thesis deals with the use of artificial neural networks for the classification of scanning electron microscope images. Its aim is to create a tool for automatic detection of image defects, namely defocus and astigmatism, which can be used as part of an automation testing framework for microscope regression testing. For these purposes, a convolutional neural network architecture is proposed here …viac
Jazyk práce: Czech
Datum vytvoření / odevzdání či podání práce: 7. 6. 2024
Obhajoba závěrečné práce
- Obhajoba proběhla 20. 6. 2024
- Vedúci: doc. Ing. Oldřich Trenz, Ph.D.
- Oponent: Filip Rákoczy, externi
Citační záznam
Citace dle ISO 690:
SKŘIČILOVÁ, Magdaléna. \textit{Klasifikace obrazu elektronového mikroskopu pomocí umělé neuronové sítě}. Online. Diplomová práca. Brno: Mendelova univerzita v Brně, Faculty of Business and Economics. 2024. Dostupné z: https://theses.cz/id/7ki0c9/.
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Mendelova univerzita v Brně, Provozně ekonomická fakultaMendel University in Brno
Faculty of Business and EconomicsMaster programme / specializace:
Open Informatics / Scope for Open Informatics
Práce na příbuzné téma
-
Automatic Recognition of User Interface States Using Convolutional Neural Networks
Klára Petrovičová -
Modelling small-RNA binding using Convolutional Neural Networks
Eva Klimentová -
Visualization of hidden layers in convolutional neural networks
Jakub Hruška -
Segmentation of Dense Cell Populations using Convolutional Neural Networks
Filip Lux -
Interpretation techniques for deep neural networks in digital histopathology
Martin Krebs -
Tomographic back-projection of either sparse or low-quality projection views, based on convolutional neural networks (CNN)
Payal JAIN -
Text classification with artificial neural networks
Anouk Wilstra -
Artificial Neural Networks in Space of Stock Returns: Volatility Prediction
Šimon Škorňa