Při posuzování bezpečnosti a dlouhodobé spolehlivosti konstrukčních materiálů v jaderné energetice hraje klíčovou roli analýza mikroskopických mechanismů porušování. Snímky lomových ploch získané z řádkovacího elektronového mikroskopu nesou jednoznačné stopy o charakteru degradace materiálu. Expertní ruční vyhodnocování je však časově náročné a nese riziko lidské chyby. Nasazení pokročilých modelů hlubokého učení (Deep Learning) nabízí automatizaci a zefektivnění tohoto procesu.
Hlavní výzvou v této doméně je typický nedostatek expertně anotovaných dat v počátečních fázích výzkumu. Klasické učení s učitelem (Supervised Learning) vyžaduje robustní datasety, jejichž tvorba je v prostředí horkých komor extrémně náročná. Tato bakalářská práce se proto zaměřuje na aplikaci kontrastivního učení (Contrastive Self-Supervised Learning), které umožňuje modelu extrahovat klíčové vizuální rysy a reprezentace textur přímo z neoznačených obrazových dat. Model se učí rozpoznávat podobnosti a rozdíly mezi různými augmentacemi téhož snímku, což je vysoce efektivní právě pro charakteristické metalografické struktury.
Výzkumná otázka: Vliv kvantity dat na úspěšnost modelů
V rámci experimentální části student ověří hypotézu, do jaké míry dokáže kontrastivní samoučení (např. architektura typu SimCLR) kompenzovat extrémní nedostatek dat ve srovnání s konvenčními metodami (trénování od nuly či standardní transfer learning z obecných domén, jako je ImageNet). Jedním z přínosů práce bude systematické zkoumání vlivu velikosti trénovacího datasetu na stabilitu, reprezentativní schopnost a finální úspěšnost klasifikace modelů. Další možný výzkum spočívá v analýze vlivu procesní pipeline na výsledky modelu.
Cíle práce
(hrubý návrh, bude předmětem diskuse se studentem a je možno je upravit)
- Teoretická rešerše: Prostudování současného stavu metod samoučení (Self-Supervised Learning) se zaměřením na kontrastivní architektury (SimCLR, nebo MoCo) a možnosti jejich aplikace na specifické textury a materiálová data. Bude stačit jedna z architektur.
- Návrh procesní pipeline: Návrh a implementace pipeline pro zpracování obrazu, přípravu augmentací vhodných pro mikroskopické struktury (geometrické transformace, ořezy, lokální úpravy kontrastu) a samotný kontrastivní pre-training.
- Trénink modelů: Předtrénování modelu na bázi hlubokých konvolučních sítí (CNN), nebo Vision Transformers (ViT) a jejich následné jemné doladění (fine-tuning) na klasifikační úlohy.
- Analýza vlivu velikosti datasetu a datových augmentací: Experimentálně vyhodnotit vliv velikosti trénovacího datasetu a různých variant datových augmentací na výslednou kvalitu modelu.
- Kvantitativní a vizuální vyhodnocení: Srovnání výsledků kontrastivního učení se standardním učením s učitelem a transfer learningem. Případně vizualizace naučených reprezentací příznaků v latentním prostoru pomocí metody t-SNE/UMAP pro ověření separability jednotlivých lomových mechanismů.
Poznámka k praktickému přínosu: Výstupy této práce budou sloužit jako křížová kontrola v rámci probíhajícího institucionálního výzkumu bezpečnosti kritických komponent jaderných reaktorů.
