Jaká byla potřeba klienta – identifikace problému
• Zlepšit kvalitu a přesnost výstupu polovodičového pixelového detektoru částic redukcí obrazových defektů senzoru.
• Využít strojové učení i v situaci s omezenou dostupností trénovacích dat.
Návrh řešení
• Analýza a příprava dat + výběr a testování modelu pro klasifikaci obrazu (deep learning, CNN, visual transformers).
• Trénink a validace modelů, identifikace důležitých rysů pro klasifikaci a návrh workflow/reportingu pro využití v praxi.
Přínosy pro klienta
• Čistší a použitelnější obrazová data ze senzoru → vyšší spolehlivost následné detekce/klasifikace částic.
• Praktický ML workflow vhodný i pro scénáře s malým množstvím trénovacích dat.
The need / The situation
• Improve the accuracy and output quality of a semiconductor pixel particle detector by reducing sensor image defects.
• Apply machine learning effectively even with limited training data availability.
The solution
• Data analysis and preparation, followed by model selection and testing for high-accuracy image classification (deep learning, CNNs, visual transformers).
• Model training and validation, feature importance exploration, and delivery of a practical workflow/reporting approach.
Why it matters
• Cleaner, more usable sensor data leading to more reliable particle detection and classification downstream. • An ML workflow that remains effective even with small datasets.