This thesis focuses on utilizing image data of tree trunk damage to train a classifier for recognizing species of tree pests that caused this damage. The classifier is designed as a convolutional neural network. To successfully train the model, a preprocessing step - the sub-image generator - was employed before the classifier. This generator creates training data of suitable dimensions by cropping from the original data. The resulting data retains important details for network training. Two methods for generating training sub-images were proposed for the sub-image generator - the Grid division method and the Elliptic division method. Both of these methods can be successfully used to train the classifier for tree pest recognition based on image data of tree damage with comparable model accuracy. The Elliptic division method is more flexible and less time-consuming for preprocessing training data.

Tato diplomová práce se věnuje využití obrazových dat poškození kmene stromu k natrénování klasifikátoru pro rozpoznávání druhů škůdců stromů, které toto poškození způsobili. Klasifikátor je navrhnut jako konvoluční neuronová síť. Pro úspěšné natrénování modelu byl klasifikátoru předřazen preprocesingový krok – sub-image generátor. Tento generátor vytváří tréninková data o vhodných rozměrech pomocí výřezů z původních dat. Takto vzniklá data zachovávají důležité detaily pro trénování sítě. Pro sub-image generátor byly navrženy dvě metody vytváření trénovacích pod-obrazů – Grid division method a Elliptic division method. Obě tyto metody lze úspěšně použít pro natrénování klasifikátoru škůdců stromů na základě obrazových dat poškození stromu se srovnatelnou přesností modelu. Metoda Elliptic division je flexibilnější a méně časově náročná na preprocesing trénovacích dat.

A