Analýza a kompenzace chyb polohování stolku v elektronové mikroskopii – Lucie Koláriková
Lucie Koláriková
Master's thesis
Analýza a kompenzace chyb polohování stolku v elektronové mikroskopii
Analysis and compensation of stage positioning errors in electron microscopy
Abstract:
V mikroskopii jsou ke zvětšování využívány různé technologie. Typem mikroskopů, které poskytují největší rozlišení, jsou elektronové mikroskopy, a kvůli jejich obrovskému zvětšení je o to důležitější důraz na přesnost. Tato práce se zaměřuje na chyby vznikající při polohování stolku, sbírá z mikroskopu data o odchylkách, zabývá se jejich analýzou a předzpracováním a používá metody strojového učení …moreAbstract:
In microscopy, different technologies are used for object magnification. The type of microscopes that provide the best resolution are electron microscopes. Because of their huge magnification, accuracy is very important. This work focuses on errors that occur during stage positioning, collects the deviations, analyzes and preprocesses them and uses machine learning methods to predict them. Different …more
Language used: English
Date on which the thesis was submitted / produced: 20. 7. 2020
Identifier:
https://is.muni.cz/th/sh85i/
Thesis defence
- Date of defence: 15. 9. 2020
- Supervisor: prof. RNDr. Michal Kozubek, Ph.D.
- Reader: doc. RNDr. David Svoboda, Ph.D.
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- světu
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Masarykova univerzita, Fakulta informatikyMasaryk University
Faculty of InformaticsMaster programme / field:
Applied Informatics / Service Science, Management and Engineering
Theses on a related topic
-
Tool for data pre-processing and iterative learning of neural networks
Kristián Malák -
Urban Change Monitoring with Neural Networks and Deep-Temporal Remote Sensing Data
Georg Zitzlsberger -
Analytika učení a data mining ve vzdělávání v kontextu systémů pro řízení výuky
Libor Juhaňák -
Generating a synthetic training data source for ML-based process mining tools
Anjali SINGH