Service of SURF
© 2025 SURF
The last decade has seen an increasing demand from the industrial field of computerized visual inspection. Applications rapidly become more complex and often with more demanding real time constraints. However, from 2004 onwards the clock frequency of CPUs has not increased significantly. Computer Vision applications have an increasing demand for more processing power but are limited by the performance capabilities of sequential processor architectures. The only way to get more performance using commodity hardware, like multi-core processors and graphics cards, is to go for parallel programming. This article focuses on the practical question: How can the processing time for vision algorithms be improved, by parallelization, in an economical way and execute them on multiple platforms?
This paper describes the work that is done by a group of I3 students at Philips CFT in Eindhoven, Netherlands. I3 is an initiative of Fontys University of Professional Education also located in Eindhoven. The work focuses on the use of computer vision in motion control. Experiments are done with several techniques for object recognition and tracking, and with the guidance of a robot movement by means of computer vision. These experiments involve detection of coloured objects, object detection based on specific features, template matching with automatically generated templates, and interaction of a robot with a physical object that is viewed by a camera mounted on the robot.
Gepubliceerd in Mikroniek, nr. 6 2018 In manufacturing environments where collaborative robots are employed, conventional computer vision algorithms have trouble in the robust localisation and detection of products due to changing illumination conditions and shadows caused by a human sharing the workspace with the robotic system. In order to enhance the robustness of vision applications, machine learning with neural networks is explored. The performance of machine-learning algorithms versus conventional computer vision algorithms is studied by observing a generic user scenario for the manufacturing process: the assembly of a product by localisation, identification and manipulation of building blocks.
MULTIFILE
Noord-Nederland telt ongeveer 70.000 ha akkerbouw, waarvan 14.000 ha pootaardappelen. De totale jaaromzet van de pootaardappelteelt bedraagt ongeveer 230 miljoen euro (exclusief de omzet van toeleverende en dienstverlenende bedrijven). Van alle productielanden samen, neemt Noord-Nederland met 23% van de wereldwijde export van gecertificeerd pootgoed een absolute toppositie in. Om deze toppositie te behouden, is continu aandacht voor productiviteit, duurzaamheid en kwaliteitsverbetering vereist. Bij de huidige bedrijfsomvang kan een geautomatiseerde gewasinspectie daarbij zeer behulpzaam zijn. Kwalitatief hoogwaardiger inspectie tegen lagere kosten kan de kwaliteit en de kostprijs van gewassen in de precisielandbouw verbeteren. Voor pootgoedtelers is het belangrijk te weten wat de kwaliteit van de plant is, in relatie met de gepote aardappel. Doelstelling is het verkrijgen van inzicht in de methoden, technieken en algoritmen die nodig zijn voor het automatisch bepalen van het opkomstgedrag van individuele aardappelplanten met behulp van low-cost drones. Koelhuis Bergmans stelt de akkervelden waar opnames van gemaakt worden beschikbaar. Ana Vita heeft veel ervaring in het ontwikkelen van nieuwe markten in de precisielandbouw. De NHL is in het bezit van een ROC-light ontheffing om met drones tot 4 kg te mogen vliegen. Tevens onderzoekt de NHL welke methoden, technieken en algoritmen gebruikt kunnen worden. Dit project levert een dataset met hierin periodiek opgenomen beelden van aardappelplanten, methodes voor het bepalen van individuele aardappelplantgroei en een beschrijving van de onderzoeksresultaten in de vorm van een (wetenschappelijke) paper.
De gezondheidszorg kampt met personeelstekorten en lange wachtlijsten, wat de zorgkwaliteit voor patiënten ernstig treft. De toenemende vergrijzing van de bevolking en een toenemend tekort aan geschoold personeel verergeren deze problemen. Hierdoor komen zowel zorgverleners als mantelzorgers onder grote druk te staan [1]. In dit project wordt met behulp van AI-onderzoek gedaan naar de haalbaarheid van het automatisch detecteren van de gesteldheid van zorgbehoevenden. Dit biedt mogelijkheden om de druk op zorgverleners en mantelzorgers te verlichten door taken te automatiseren en hen te ondersteunen bij het identificeren van de behoeften van de patiënten. De huidige tekorten in de zorg zijn verontrustend en daarom niet houdbaar voor de kwaliteit van de zorg. Automatisering is daarom essentieel om de zorgkwaliteit te waarborgen. Het consortium bestaat uit zorginstelling De Zijlen, Valtes en het NHL Stenden Lectoraat Computer Vision & Data Science. Vanuit De Zijlen en Valtes is de vraag ontstaan voor de automatische detectie van de gesteldheid van zorgbehoevenden. Gezamenlijk wordt de technische haalbaarheid onderzocht om de business-case te ondersteunen. Daarnaast is het doel van dit project om met een proof-of-concept een breder netwerk van belangenorganisaties, ontwikkelaars en eindgebruikers aan te spreken. Er wordt gewerkt in een multidisciplinair team van studenten, docent-onderzoekers, lectoren, ontwikkelaar en potentiële eindgebruikers.
In het ziekenhuis kan elke fout een leven kosten. Zo kan al een kleine bereidingsfout bij het klaarmaken van intraveneuze medicijnen (IV) leiden tot levensbedreigende omstandigheden voor de patiënt. Bereiding van dit type medicijnen gebeurt in de apotheek en op de verpleegafdeling. Met name op de verpleegafdeling is het een drukke en onvoorspelbare setting. Wereldwijd komen in deze setting ernstige bereidingsfouten nog te frequent voor. Om deze menselijke fouten te reduceren, wordt in deze KIEM aanvraag een proof-of-concept ‘slim oog’ ontwikkeld die vlak voor de toediening detecteert of de juiste dosis aanwezig is, of het type medicijn correct is en geen vervuiling aanwezig is. Het slimme oog maakt gebruik van hyperspectrale technologie en artificial intelligence, en is een samenwerking tussen de Computer Vision & Data Science afdeling van NHL Stenden Hogeschool, de automatische medicijncontrole specialist ZiuZ, en het Tjongerschans ziekenhuis. De unieke combinatie tussen nieuwe AI-technieken, hyperspectrale techniek en de toepassing op intraveneuze medicijnen is voor dit consortium technisch nieuw, en is nog niet eerder ontwikkeld voor de toepassing aan het bed of in de medicijnkamer op de verpleegafdeling. De onvoorspelbare setting en de urgentie aan het bed maakt dit onderzoek technisch uitdagend. Tevens moet het uiteindelijke device klein en draagbaar en snel werkzaam zijn. Om de grote verscheidenheid aan mogelijke gebruik scenario's en menselijke fouten te vangen in het algoritme, wordt een door NHLS ontwikkelde simulatie procedure gevolgd: met nabootsing van de praktijksituatie in samenwerking met zorgverleners, met opzettelijke fouten, en computer gegenereerde beeldmanipulatie. Het project zal geïntegreerd worden in het onderwijs volgens de design-based methode, met teams bestaande uit domein experts, bedrijven, docent-onderzoekers en studenten. Het uiteindelijke doel is om met een proof-of-concept aan-het-bed demonstrator een groot consortium van ziekenhuizen, ontwikkelaars en eindgebruikers enthousiast te maken voor een groter vervolgproject.