Cykl kształcenia: 2024/2025
Nazwa jednostki prowadzącej studia: Wydział Elektrotechniki i Informatyki
Nazwa kierunku studiów: Automatyka i robotyka
Obszar kształcenia: nauki techniczne
Profil studiów: ogólnoakademicki
Poziom studiów: pierwszego stopnia
Forma studiów: stacjonarne
Specjalności na kierunku: Automatyzacja systemów wytwarzania i intralogistyki, Komputerowe systemy sterowania
Tytuł otrzymywany po ukończeniu studiów: inżynier
Nazwa jednostki prowadzącej zajęcia: Katedra Informatyki i Automatyki
Kod zajęć: 11152
Status zajęć: obowiazkowy dla programu z możliwością wyboru
Układ zajęć w planie studiów: sem: 7 / W15 / 1 ECTS / Z
Język wykładowy: polski
Imię i nazwisko koordynatora 1: . Dziekan administracyjne
Imię i nazwisko koordynatora 2: dr inż. Tomasz Żabiński
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 3: dr hab. inż. prof. PRz Mariusz Oszust
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 4: dr inż. Andrzej Bożek
Terminy konsultacji koordynatora: informacja na stronie KIiA: https://office.kia.prz.edu.pl
Imię i nazwisko koordynatora 5: dr inż. Łukasz Żyłka
Imię i nazwisko koordynatora 6: dr hab. inż. prof. PRz Witold Habrat
Główny cel kształcenia: Zapoznanie studentów z: ideą Przemysłu 4.0; zastosowaniem technologii informatycznych, automatyki i robotyki w Przemyśle 4.0; zagadnieniami optymalizacji procesów przemysłowych i harmonogramowania zadań; nowoczesnymi technikami przetwarzania i analizy obrazów, poszerzając ich wiedzę odnośnie metod opisu obiektów na obrazach, a także klasyfikacji i interpretacji informacji wizualnej.
Ogólne informacje o zajęciach: Idea Przemysłu 4.0 oraz stosowane w niej technologie, w tym analiza danych i planowanie procesów. Rozpoznawanie obiektów na obrazach, segmentacja i opis obiektów, punkty charakterystyczne i deskryptory, duże bazy obrazów, wyszukiwanie informacji wizualnej. Rozumienie obrazów.
1 | Wysocki M., Marnik J., Kapuściński T. | Wizja komputerowa. Materiały pomocnicze | Oficyna Wydawnicza Politechniki Rzeszowskiej, Rzeszów. | 2004 |
2 | Tadeusiewicz R., Korohoda P. | Algorytmy i metody komputerowej analizy i przetwarzania obrazów | Wyd. Fund. Post. Telekom., Kraków. | 1997 |
3 | Wysocki Marian, Kapuściński Tomasz | Wizja komputerowa | Wydawnictwo Uniwersytetu Rzeszowskiego. | 2013 |
4 | M. Wysocki, T. Kapuściński, J. Marnik, M. Oszust: | Rozpoznawanie gestów wykonywanych rękami w systemie wizyjnym | Oficyna Wydawnicza Politechniki Rzeszowskiej. | 2011 |
5 | Alp Ustundag, Emre Cevikcan | Industry 4.0: Managing The Digital Transformation | Springer Series in Advanced Manufacturing. | 2017 |
6 | Wysocki M. | Metody obliczeniowe optymalizacji | Oficyna Wydawnicza Politechniki Rzeszowskiej, Rzeszów. | 2004 |
7 | Czesław Smutnicki | Algorytmy szeregowania | Akademicka Oficyna Wydawnicza EXIT, Warszawa. | 2002 |
1 | Richard Szeliski | Computer Vision: Algorithms and Applications | Springer-Verlag London, DOI: 10.1007/978-1-84882-935-0. | 2011 |
Wymagania formalne: Student wpisany na 7 semestr studiów inżynierskich.
Wymagania wstępne w kategorii Wiedzy: Techniki programowania strukturalnego i obiektowego. Podstawy dotyczące metod inteligencji obliczeniowej.
Wymagania wstępne w kategorii Umiejętności: Zdolność do uważnego słuchania i robienia notatek na bieżąco.
Wymagania wstępne w kategorii Kompetencji społecznych: Ma świadomość odpowiedzialności za pracę własną oraz gotowość ponoszenia odpowiedzialności za pracę w zespole.
MEK | Student, który zaliczył zajęcia | Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia | Metody weryfikacji każdego z wymienionych efektów kształcenia | Związki z KEK | Związki z PRK |
---|---|---|---|---|---|
01 | Student zna podstawowe zagadnienia związane z rozpoznawaniem obiektów na obrazach cyfrowych. | wykład | sprawdzian pisemny lub projekt |
K_W03++ K_W05+ K_W11+ K_W14+ K_W17+ K_W21++ |
P6S_WG P6S_WK |
02 | Student zna podstawy idei Przemysłu 4.0 | wykład | sprawdzian pisemny lub projekt |
K_W03+ K_W05+++ K_W17+++ K_W21+ |
P6S_WG P6S_WK |
03 | Student zna podstawowe metody optymalizacji procesów przemysłowych, w szczególności metody harmonogramowania zadań produkcyjnych | wykład | sprawdzian pisemny lub projekt |
K_W11+ K_W17++ K_W21+ |
P6S_WG |
Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).
Sem. | TK | Treści kształcenia | Realizowane na | MEK |
---|---|---|---|---|
7 | TK01 | W7-W10 | MEK01 | |
7 | TK02 | W1-W6 | MEK02 | |
7 | TK03 | W11-W15 | MEK03 |
Forma zajęć | Praca przed zajęciami | Udział w zajęciach | Praca po zajęciach |
---|---|---|---|
Wykład (sem. 7) | Godziny kontaktowe:
15.00 godz./sem. |
Uzupełnienie/studiowanie notatek:
3.00 godz./sem. Studiowanie zalecanej literatury: 2.00 godz./sem. |
|
Konsultacje (sem. 7) | |||
Zaliczenie (sem. 7) | Przygotowanie do zaliczenia:
4.00 godz./sem. |
Zaliczenie pisemne:
1.00 godz./sem. |
Forma zajęć | Sposób wystawiania oceny podsumowującej |
---|---|
Wykład | Sprawdzian pisemny lub projekt. |
Ocena końcowa | Na podstawie wyników sprawdzianu lub projektu |
Wymagane podczas egzaminu/zaliczenia
wm_moszust_tzabinski_abozek_przykladowezadania.pdf
Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)
Inne
(-)
Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie
1 | A. Bazan; M. Sałata; Ł. Żyłka | Sposób szlifowania prostych rowków wiórowych narzędzi skrawających typu frezy z ultradrobnoziarnistych węglików spiekanych | 2024 |
2 | D. Mazurkiewicz; G. Piecuch; P. Sobecki; T. Żabiński | Virtual tomography as a novel method for segmenting machining process phases with the use of machine learning-supported measurement | 2024 |
3 | K. Cymerys; M. Oszust | Attraction–Repulsion Optimization Algorithm for Global Optimization Problems | 2024 |
4 | W. Habrat; J. Lisowicz; A. Skroban; J. Tymczyszyn | Simulation and Experimental Study of the Termo-Mechanical Effect of the Milling Process of 7075 Aluminium Alloy | 2024 |
5 | A. Bożek; D. Rzońca | Communication Time Optimization of Register-Based Data Transfer | 2023 |
6 | A. Bożek; Z. Świder; L. Trybus | Consistent Design of PID Controllers for Time-Delay Plants | 2023 |
7 | E. Feldshtein; M. Gupta; W. Habrat; G. Królczyk; K. Leksycki; R. Maruda; S. Wojciechowski | Evaluation of tribological interactions and machinability of Ti6Al4V alloy during finish turning under different cooling conditions | 2023 |
8 | M. Bolanowski; A. Paszkiewicz; G. Piecuch; D. Rączka; M. Salach; T. Żabiński | Estimation of Tool Life in the Milling Process—Testing Regression Models | 2023 |
9 | M. Bolanowski; A. Paszkiewicz; G. Piecuch; M. Salach; K. Tomecki; T. Żabiński | System Architecture for Diagnostics and Supervision of Industrial Equipment and Processes in an IoE Device Environment | 2023 |
10 | M. Oszust; I. Stępień | No-Reference Image Quality Assessment of Magnetic Resonance images with multi-level and multi-model representations based on fusion of deep architectures | 2023 |
11 | M. Oszust; I. Stępień | TIQA-PSI: Toolbox for perceptual Image Quality Assessment of Pan-Sharpened Images | 2023 |
12 | M. Płodzień; A. Stoić; Ł. Żyłka | Modelling of the Face-Milling Process by Toroidal Cutter | 2023 |
13 | M. Płodzień; S. Wojciechowski; K. Żak; Ł. Żyłka | Modelling the Kerf Angle, Roughness and Waviness of the Surface of Inconel 718 in an Abrasive Water Jet Cutting Process | 2023 |
14 | R. Flejszar; P. Lajmert; Ł. Żyłka | Influence of Cutting-Edge Microgeometry on Cutting Forces in High-Speed Milling of 7075 Aluminum Alloy | 2023 |
15 | A. Bożek | Discovering Stick-Slip-Resistant Servo Control Algorithm Using Genetic Programming | 2022 |
16 | A. Bożek; L. Trybus | Krok dyskretyzacji i nastawy PID w dyskretnym serwomechanizmie napięciowym | 2022 |
17 | A. Bożek; L. Trybus | Tuning PID and PI-PI servo controllers by multiple pole placement | 2022 |
18 | A. Bożek; T. Rak; D. Rzońca | Timed Colored Petri Net-Based Event Generators for Web Systems Simulation | 2022 |
19 | E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | The Use of Principal Component Analysis and Logistic Regression for Cutter State Identification | 2022 |
20 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machine Multi-sensor System and Signal Processing for Determining Cutting Tools Service Life | 2022 |
21 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Machining Process Time Series Data Analysis with a Decision Support Tool | 2022 |
22 | K. Antosz; E. Kozłowski; J. Sęp; T. Żabiński | The use of random forests to support the decision-making process for sustainable manufacturing | 2022 |
23 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Blind image quality assessment of magnetic resonance images with statistics of local intensity extrema | 2022 |
24 | M. Bucior; W. Habrat; R. Kluz; K. Krupa; J. Sęp | Multi-criteria optimization of the turning parameters of Ti-6Al-4V titanium alloy using the Response Surface Methodology | 2022 |
25 | M. Oszust; D. Warchoł | Augmentation of Human Action Datasets with Suboptimal Warping and Representative Data Samples | 2022 |
26 | M. Oszust; D. Warchoł | Efficient Augmentation of Human Action Recognition Datasets with Warped Windows | 2022 |
27 | M. Oszust; D. Warchoł | Time Series Augmentation with Time-Scale Modifications and Piecewise Aggregate Approximation for Human Action Recognition | 2022 |
28 | M. Oszust; I. Stępień | A Brief Survey on No-Reference Image Quality Assessment Methods for Magnetic Resonance Images | 2022 |
29 | M. Oszust; I. Stępień | No-Reference Quality Assessment of Pan-Sharpening Images with Multi-Level Deep Image Representations | 2022 |
30 | R. Amadio; A. Carreras-Coch; D. Mazzei; J. Merino; J. Navarro; J. Sęp; D. Stadnicka; C. Stylios; M. Tyrovolas; T. Żabiński | Industrial Needs in the Fields of Artificial Intelligence, Internet of Things and Edge Computing | 2022 |
31 | S. Dippel; V. Grossmann; R. Kiko; R. Koch; M. Oszust; M. Pastell; L. Schmarje; J. Stracke; A. Valros; N. Volkmann; C. Zelenka | Is one annotation enough? - A data-centric image classification benchmark for noisy and ambiguous label estimation | 2022 |
32 | W. Daź; D. Habrat; W. Habrat; D. Stadnicka | Technical and Legal Relations in Aviation Industry from Technology Management and Sustainability Perspective | 2022 |
33 | W. Daź; W. Habrat; K. Krupa; J. Tymczyszyn | Cutting Mechanics when Turning Powder Metallurgy Produced Nickel-Cobalt Base Alloy with a Cubic Boron Nitride Insert | 2022 |
34 | W. Habrat; K. Krupa; J. Lisowicz | Influence of Minimum Quantity Lubrication Using Vegetable-Based Cutting Fluids on Surface Topography and Cutting Forces in Finish Turning of Ti-6Al-4V | 2022 |
35 | J. Kluska; T. Mączka; T. Żabiński | Applications of Computational Intelligence Methods for Control and Diagnostics | 2021 |
36 | J. Krupski; M. Oszust | Isolated Sign Language Recognition with Depth Cameras | 2021 |
37 | K. Antosz; E. Kozłowski; D. Mazurkiewicz; J. Sęp; T. Żabiński | Integrating advanced measurement and signal processing for reliability decision-making | 2021 |
38 | K. Cymerys; M. Oszust; G. Sroka | A hybridization approach with predicted solution candidates for improving population-based optimization algorithms | 2021 |
39 | L. Gniewek; Z. Hajduk; J. Kluska; T. Żabiński | FPGA-Embedded Anomaly Detection System for Milling Process | 2021 |
40 | M. Batsch; Ł. Żyłka | Koncepcja predykcyjnego systemu diagnostyki uszczelnień instalacji hamulcowych, paliwowych i gazowych | 2021 |
41 | M. Fiedeń; W. Habrat; K. Krupa; J. Lisowicz | Tool Wear of Carbide Cutting Inserts Coated with TiAlN and AlTiSiN in Finish Turning of Inconel 718 | 2021 |
42 | M. Oszust | Enhanced Marine Predators Algorithm with Local Escaping Operator for Global Optimization | 2021 |
43 | M. Oszust; G. Sroka | Approximation of the Constant in a Markov-Type Inequality on a Simplex Using Meta-Heuristics | 2021 |
44 | M. Oszust; M. Rajchel | No-reference image quality assessment of authentically distorted images with global and local statistics | 2021 |
45 | M. Płodzień; P. Sułkowicz; S. Wojciechowski; K. Żak; Ł. Żyłka | High-Performance Face Milling of 42CrMo4 Steel: Influence of Entering Angle on the Measured Surface Roughness, Cutting Force and Vibration Amplitude | 2021 |
46 | R. Babiarz; M. Płodzień; Ł. Żyłka | Przyrząd do kontroli sztywności dynamicznej wrzeciona szlifierskiego | 2021 |
47 | R. Obuchowicz; M. Oszust; A. Piórkowski; I. Stępień | Fusion of Deep Convolutional Neural Networks for No-Reference Magnetic Resonance Image Quality Assessment | 2021 |
48 | W. Habrat; N. Karkalos; K. Krupa; A. Markopoulos | Thermo-mechanical aspects of cutting forces and tool wear in the laser-assisted turning of Ti-6Al-4V titanium alloy using AlTiN coated cutting tools | 2021 |
49 | W. Habrat; P. Janocha; K. Krupa; J. Lisowicz | The effect of different MQL supply strategies into the cutting zone on the tool wear when turning of Ti-6Al-4V alloy | 2021 |
50 | A. Bożek | Energy Cost-Efficient Task Positioning in Manufacturing Systems | 2020 |
51 | A. Bożek; L. Trybus | On Feasibility of Tuning and Testing Control Loops by Nonstandard Inputs | 2020 |
52 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Machining sensor data management for operation-level predictive model | 2020 |
53 | J. Burek; M. Płodzień; P. Sułkowicz; Ł. Żyłka | The influence of end mill helix angle on high performance milling process | 2020 |
54 | J. Kluska; M. Kusy; R. Zajdel; T. Żabiński | Fusion of Feature Selection Methods for Improving Model Accuracy in the Milling Process Data Classification Problem | 2020 |
55 | J. Kluska; M. Kusy; R. Zajdel; T. Żabiński | Weighted Feature Selection Method for Improving Decisions in Milling Process Diagnosis | 2020 |
56 | J. Kluska; T. Mączka; T. Żabiński | Zastosowania metod inteligencji obliczeniowej do sterowania i diagnostyki | 2020 |
57 | J. Kluska; T. Żabiński | PID-Like Adaptive Fuzzy Controller Design Based on Absolute Stability Criterion | 2020 |
58 | K. Kamycki; T. Kapuściński; M. Oszust | Data Augmentation with Suboptimal Warping for Time-Series Classification | 2020 |
59 | M. Bielecka; A. Bielecki; R. Obuchowicz; M. Oszust; A. Piórkowski | Magnetic resonance image quality assessment by using non-maximum suppression and entropy analysis | 2020 |
60 | M. Hadław; T. Żabiński | A new perspective for the application of the activity based costing method in manufacturing companies using MES class systems | 2020 |
61 | M. Klecha; M. Płodzień; T. Zaborowski; Ł. Żyłka | Badania wpływu geometrii ostrza na proces toczenia stopu Inconel 718 | 2020 |
62 | R. Obuchowicz; M. Oszust; A. Piórkowski | Interobserver variability in quality assessment of magnetic resonance images | 2020 |
63 | R. Obuchowicz; M. Oszust; A. Piórkowski | No-reference image quality assessment of magnetic resonance images with high-boost filtering and local features | 2020 |
64 | W. Habrat; P. Kręcichwost; M. Płodzień; J. Tymczyszyn | Analysis of EDM Drilling of Small Diameter Holes | 2020 |
65 | D. Habrat; W. Habrat; D. Stadnicka | Analysis of the Legal Risk in the Scientific Experiment of the Machining of Magnesium Alloys | 2019 |
66 | E. Kozłowski; D. Mazurkiewicz; S. Prucnal; J. Sęp; T. Żabiński | Assessment model of cutting tool condition for real-time supervision system | 2019 |
67 | E. Kozłowski; D. Mazurkiewicz; T. Żabiński | Identyfikacja stopnia zużycia frezu na podstawie analizy sygnału akustycznego | 2019 |
68 | G. Piecuch; S. Prucnal; T. Żabiński; R. Żyła | Milling process diagnosis using computational intelligence methods | 2019 |
69 | J. Buk; R. Ochenduszko; A. Podwyszyński; T. Zaborowski; Ł. Żyłka | Rozwój techniki w kształtowaniu lotniczych kół zębatych | 2019 |
70 | J. Burek; M. Płodzień; P. Sułkowicz; Ł. Żyłka | High‐performance end milling of aluminum alloy: Influence of different serrated cutting edge tool shapes on the cutting force | 2019 |
71 | J. Kluska; M. Madera ; T. Mączka; J. Sęp; T. Żabiński | Condition monitoring in Industry 4.0 production systems - the idea of computational intelligence methods application | 2019 |
72 | M. Madera ; G. Piecuch; T. Żabiński | Diagnostics of welding process based on thermovision images using convolutional neural network | 2019 |
73 | M. Oszust | Członkostwo w komitecie redakcyjnym czasopisma „SIGNAL IMAGE AND VIDEO PROCESSING” | 2019 |
74 | M. Oszust | Local Feature Descriptor and Derivative Filters for Blind Image Quality Assessment | 2019 |
75 | M. Oszust | No-Reference Image Quality Assessment with Local Gradient Orientations | 2019 |
76 | M. Oszust | No-Reference quality assessment of noisy images with local features and visual saliency models | 2019 |
77 | R. Babiarz; M. Płodzień; Ł. Żyłka | Przyrząd do kontroli sztywności dynamicznej wrzeciona szlifierskiego | 2019 |
78 | R. Babiarz; Ł. Żyłka | Sposób i układ kompensacji zużycia ściernicy | 2019 |
79 | T. Kapuściński; J. Marnik; M. Oszust; D. Warchoł; M. Wysocki | Układ wspomagający komunikowanie się osób głuchoniemych z osobami słyszącymi i sposób wspierania takiego komunikowania się | 2019 |
80 | W. Grzesik; W. Habrat; P. Niesłony | Investigation of the tribological performance of AlTiN coated cutting tools in the machining of Ti6Al4V titanium alloy in terms of demanded tool life | 2019 |
81 | W. Habrat | Analiza i modelowanie toczenia wykończeniowego tytanu i jego stopów | 2019 |
82 | W. Habrat; A. Markopoulos; M. Motyka; J. Sieniawski | Machinability | 2019 |
83 | W. Habrat; C. Ratnayake; J. Świder; R. Wdowik; M. Żółkoś | Surface Quality Analysis After Face Grinding of Ceramic Shafts Characterized by Various States of Sintering | 2019 |
84 | W. Habrat; K. Krupa; P. Laskowski; J. Sieniawski | Experimental Analysis of the Cutting Force Components in Laser-Assisted Turning of Ti6Al4V | 2019 |
85 | W. Habrat; N. Karkalos; K. Krupa | Accelerated Method of Cutting Tool Quality Estimation During Milling Process of Inconel 718 Alloy | 2019 |