Analýza a kompenzace chyb polohování stolku v elektronové mikroskopii – Lucie Koláriková
Lucie Koláriková
Diplomová práce
Analýza a kompenzace chyb polohování stolku v elektronové mikroskopii
Analysis and compensation of stage positioning errors in electron microscopy
Anotace:
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 …víceAbstract:
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 …více
Jazyk práce: angličtina
Datum vytvoření / odevzdání či podání práce: 20. 7. 2020
Identifikátor:
https://is.muni.cz/th/sh85i/
Obhajoba závěrečné práce
- Obhajoba proběhla 15. 9. 2020
- Vedoucí: prof. RNDr. Michal Kozubek, Ph.D.
- Oponent: doc. RNDr. David Svoboda, Ph.D.
Citační záznam
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Masarykova univerzita, Fakulta informatikyMasarykova univerzita
Fakulta informatikyMagisterský studijní program / obor:
Aplikovaná informatika / Služby - výzkum, řízení a inovace
Práce na příbuzné téma
-
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