Mondkapjes, of mondmaskers, zijn door de SARS-COV-2 pandemie niet meer uit het straatbeeld weg te denken. De kwaliteit en comfort van de pasvorm van medische en niet-medische mondmaskers wordt bepaald door hoe goed het mondmasker overeenkomt met de afmetingen van het gezicht van de drager. Echter is er geen goed overzicht van de antropometrie van het gelaat van de Nederlandse bevolking waardoor de pasvorm van mondmaskers nu vaak niet optimaal is. Er is dus vraag naar een laagdrempelige en veilige manier om gezichtskenmerken in kaart te brengen en betere ontwerprichtlijnen voor mondkapjes. Driedimensionaal (3D) scannen doormiddel van Light Detection and Ranging (LiDaR) technologie in combinatie met slimme algoritmes lijkt wellicht een manier om gezichtskenmerken snel en laagdrempelig vast te leggen bij grote groepen mensen. Daarnaast geeft het 3D scannen van gezichten de mogelijkheid om niet enkel de afmetingen van gezichten te meten, maar ook 3D pasvisualisaties uit te voeren. Hoewel 3D scannen geen nieuwe technologie is, is de LiDaR technologie pas sinds 2020 geïntegreerd in de Ipad en Iphone waardoor het toegankelijk gemaakt is voor consumenten. Doormiddel van een research through design benadering zal onderzocht worden of deze technologie gebruikt kan worden om betrouwbare en valide opnames te maken van gezichten en of er op basis hiervan ontwerprichtlijnen ontwikkeld kunnen worden. In dit KIEM GoCi-project zal daarnaast ingezet worden om een kennisbasis en netwerk op te bouwen voor een vervolg aanvraag over de inzet van 3D technologieën in de mode-industrie.
Size measurement plays an essential role for micro-/nanoparticle characterization and property evaluation. Due to high costs, complex operation or resolution limit, conventional characterization techniques cannot satisfy the growing demand of routine size measurements in various industry sectors and research departments, e.g., pharmaceuticals, nanomaterials and food industry etc. Together with start-up SeeNano and other partners, we will develop a portable compact device to measure particle size based on particle-impact electrochemical sensing technology. The main task in this project is to extend the measurement range for particles with diameters ranging from 20 nm to 20 um and to validate this technology with realistic samples from various application areas. In this project a new electrode chip will be designed and fabricated. It will result in a workable prototype including new UMEs (ultra-micro electrode), showing that particle sizing can be achieved on a compact portable device with full measuring range. Following experimental testing with calibrated particles, a reliable calibration model will be built up for full range measurement. In a further step, samples from partners or potential customers will be tested on the device to evaluate the application feasibility. The results will be validated by high-resolution and mainstream sizing techniques such as scanning electron microscopy (SEM), dynamic light scattering (DLS) and Coulter counter.
De glastuinbouw in Nederland is wereldwijd toonaangevend en loopt voorop in automatisering en data-gedreven bedrijfsvoering. Voor de data-gedreven teelt wordt, naast het monitoren van de kas-parameters ook het monitoren van gewasparameters steeds meer gevraagd. De sector is daarbij vooral geïnteresseerd in niet-destructieve, contactloze en persoonsonafhankelijk monitoring van gewassen. Optische sensortechnologie, zoals spectrale afbeeldingstechnologie, kan veel waardevolle informatie opleveren over de staat van een gewas of vrucht, bijvoorbeeld over het suikergehalte, maar ook de aanwezigheid van plantziektes of insecten. Echter is dit vaak een te kostbare oplossing voor zowel de technologiebedrijven die oplossingen leveren als voor de telers zelf. In dit project onderzoeken wij de mogelijkheid om spectrale beeldvorming tegen lagere kosten te realiseren. Het beoogde resultaat is een prototype van een instrument dat tegen lage kosten met spectrale beeldvorming een of meerdere gewaseigenschappen kan kwantificeren. Realisatie van dit prototype heeft een sterke Fotonica-component (expertise Haagse Hogeschool) maakt gebruik van Machine Learning (expertise perClass) en is bedoeld voor toepassing op scout robots in de glastuinbouw (expertise Mythronics). Een betaalbare oplossing betekent in potentie voor de teler een betere controle over kwaliteit van het gewas en automatisering voor detectie van ziekte-uitbraken. Bij een succesvol prototype kan deze innovatie leiden tot betere voedselkwaliteit en minder verspilling in de glastuinbouw.
