© 2024 SURF
Om arbeidsproductiviteitsverbeteringen mogelijk te maken
worden apparaten in smart industry steeds vaker uitgerust
met visionsystemen voor pick-and-place toepassingen,
kwaliteitscontroles, objectlokalisaties en objectherkenning.
Visionsystemen zijn echter gevoelig voor veranderingen in
de omgeving, waardoor systemen kunnen stilvallen.
Visionsystemen zijn met name gevoelig voor
onvoorspelbare veranderingen in de omgeving, zoals
belichting, schaduwvorming, oriëntatie van producten en
grote optische variaties in bijvoorbeeld natuurlijke
producten. Machine Learning (ML), een vorm van
kunstmatige intelligentie, kan deze tekortkomingen
grotendeels oplossen en kan visionsystemen robuuster en
sneller configureerbaar maken; ML is uitermate geschikt om
toegepast te worden in visiontoepassingen. Echter, ML voor
vision is voor veel MKB’ers een ver-van-mijn-bed-show,
voorbestemd voor multinationals met grote budgetten.
Bovenal is de structuur en kennis over het toepassen van
ML voor vision niet helder noch eenvoudig toegankelijk.
Daarom is de onderzoeksvraag: Hoe kunnen door het
industriële MKB machine learning frameworks binnen
visiontoepassingen worden gebruikt om efficiëntere
productieprocessen te realiseren? Met dit project wil het
consortium deze ML-structuur inzichtelijk maken en
beschikbaar maken voor MKB en verder onderzoeken hoe
ML voor vision industrieel kan worden toegepast middels
bedrijfscasussen. Het project is een samenwerking tussen
Saxion, NHL Stenden en bedrijven die actief zijn als
hightech systeemontwikkelaar, kennis-toeleverancier en/of
eindgebruiker als productiebedrij
Assemblageprocessen en diensten van producenten van hightech systemen worden in Noordwest-Europa gekenmerkt door een hoge variatie aan producten en oplossingen met laag volume. Productieautomatisering, flexibilisering en optimalisatie zijn essentiële processen om kleinere series te produceren en tegelijkertijd de grote verscheidenheid aan producten en diensten te realiseren. Om arbeidsproductiviteitsverbeteringen mogelijk te maken worden apparaten steeds vaker uitgerust met visionsystemen voor pick-and-place toepassingen, kwaliteitscontroles, objectlokalisaties en objectherkenning. Visionsystemen zijn echter gevoelig voor veranderingen in de omgeving, waardoor systemen kunnen stilvallen. Visionsystemen zijn met name gevoelig voor onvoorspelbare veranderingen in de omgeving, zoals belichting, schaduwvorming, oriëntatie van producten en grote optische variaties in bijvoorbeeld natuurlijke producten.
Machine Learning (ML), een vorm van kunstmatige intelligentie, kan deze tekortkomingen grotendeels oplossen en kan visionsystemen robuuster en sneller configureerbaar maken; ML is uitermate geschikt om toegepast te worden in visiontoepassingen. Echter, ML voor vision is voor veel MKB’ers een ver-van-mijn-bed-show, voorbestemd voor multinationals met grote budgetten. Bovenal is de structuur en kennis over het toepassen van ML voor vision niet helder noch eenvoudig toegankelijk. Daarom is de onderzoeksvraag: Hoe kunnen door het industriële MKB machine learning frameworks binnen visiontoepassingen worden gebruikt om efficiëntere productieprocessen te realiseren? Met dit project wil het consortium deze ML-structuur inzichtelijk maken; ten tweede ML beschikbaar maken voor MKB; ten derde samen onderzoeken hoe ML voor vision industrieel kan worden toegepast middels drie casussen en ten vierde de opgedane kennis borgen en verspreiden binnen MKB en onderwijs. Het project is een samenwerking tussen lectoraten mechatronica en ambient intelligence van Saxion, Computer Vision & Data Science van NHL Stenden. De participerende bedrijven zijn actief als hightech systeemontwikkelaar, kennis-toeleverancier en/of eindgebruiker als productiebedrijf. Daarnaast zijn het Smart Industry Fieldlab TValley en brancheorganisatie BOOST betrokken. Dit project zal kennis ontwikkelen ten behoeve van het adequaat toepassen van Machine Learning algoritmes in visionapplicaties.