Scriptiebank overzicht

In veel grote magazijnen worden dozen van verschillende maten nog steeds handmatig op pallets gestapeld. Dit is zwaar fysiek werk voor magazijniers en leidt er vaak toe dat pallets niet optimaal benut worden, waardoor vrachtwagens met veel lege lucht rondrijden. In deze masterproef ontwikkelden we daarom een automatische 'Tetris-robot' die dit werk overneemt. Het systeem scant passerende dozen op de lopende band met een 3D-camera om de exacte afmetingen te bepalen. Vervolgens herkent een slim camerasysteem met artificiële intelligentie automatisch scheuren, deuken of vochtschade, waarna beschadigde dozen meteen van de band worden geduwd. Om de goedgekeurde dozen zo compact en stabiel mogelijk op elkaar te stapelen, ontwikkelden en trainden we slimme rekenmodellen en zelflerende algoritmes. Om te bewijzen dat dit ook in de praktijk werkt, bouwden we een werkend fysiek prototype met een robotarm, een vacuümgrijper en een industriële besturing, waarmee de hard- en software naadloos samensmelten tot één autonoom geheel.

De scriptie onderzoekt of artificiële intelligentie en publieke 4G/5G-netwerken kunnen worden ingezet om blinde en slechtziende personen in real time te ondersteunen bij het volgen van wandelpaden. Een camera maakt beelden van de omgeving, waarna een AI-model het begaanbare pad herkent en omzet in eenvoudige richtingsinformatie, zoals links, rechts of rechtdoor. Daarbij wordt onderzocht of die beeldanalyse best lokaal op een klein toestel gebeurt of op een krachtige computer op afstand.

Uit de experimenten blijkt dat een energiezuinig toestel zoals een Raspberry Pi 5 onvoldoende snel is voor lokale real-time beeldsegmentatie, terwijl verwerking op een externe GPU via een publiek 5G-netwerk wel voldoende snel kan reageren. Tijdens veldmetingen werd een gemiddelde 5G-latency van ongeveer 24 ms gemeten en bleef de totale reactietijd bij geschikte instellingen onder ongeveer 200 ms, wat bruikbaar is voor begeleiding aan wandelsnelheid.

De scriptie ontwikkelt daarnaast een veilige en reproduceerbare testmethode met een digitaal park in Unreal Engine en vormde de technische basis voor de smartphone-app Stay On Trails en het vervolgproject BlindNavParks, dat steun kreeg van de Koning Boudewijnstichting.

Kort samengevat: de scriptie toont aan dat cloudondersteunde AI via bestaande 5G-netwerken technisch haalbaar is als basis voor betaalbare assistieve navigatie voor mensen met een visuele beperking.

In woonzorgcentra gaan ondervoeding en voedselverspilling vaak hand in hand. Bewoners krijgen weliswaar uitgebalanceerde maaltijden, maar eten daar vaak slechts een deel van op. Het gevolg: ouderen krijgen te weinig voedingsstoffen binnen en grote hoeveelheden eten verdwijnen in de vuilnisbak. Bestaande opvolgsystemen bieden weinig soelaas: ze zijn arbeidsintensief, houden geen rekening met restjes, of falen bij gemixte en gepureerde maaltijden.

Daarom ontwikkelde ik LeftoVision, een computersysteem dat met behulp van beeldherkenning automatisch berekent hoeveel bewoners eten én hoeveel er wordt verspild. Het systeem vergelijkt foto’s van een maaltijd vóór en na consumptie, herkent de verschillende voedselcomponenten, schat hun gewicht en koppelt dit aan een voedingsdatabank. De resultaten worden bewaard in het Obelisk Core dataplatform en overzichtelijk weergegeven in een dashboard voor zorgverleners.

In tests behaalde LeftoVision een gemiddelde foutmarge van 22 gram per maaltijdonderdeel, voldoende nauwkeurig om kleine verschillen te detecteren. Het systeem vormt zo een belangrijke stap naar datagedreven zorg in woonzorgcentra, met als doel zowel de gezondheid van bewoners te verbeteren als voedselverspilling te beperken.

Door de evolutie van de sport is het jureren van ropeskipping freestyles op hoog niveau moeilijk geworden. Zowel het aantal skills in de routine, alsook de snelheid waarmee ze worden uitgevoerd neemt toe. Dit is vooral te merken in Double Dutch freestyles. Daarom worden deze routines zowel live (creativiteit, variatie, muziekgebruik) als vertraagd (moeilijkheidsgraad) gejureerd.
Ondanks het feit dat freestyles op halve snelheid worden herbekeken en hierdoor jureerfouten worden vermeden, merkt men dat er nog enig verschil zit op scores toegekend door juryleden. Door de toegenomen toegankelijkheid van kunstmatige intelligentie, voornamelijk neurale netwerken, werd de vraag gesteld of een AI juryassistent ontwikkeld kan worden die helpt een betere en objectievere score zou opleveren.
Dit onderzoek verkent de mogelijkheid tot het bouwen van zo een juryassistent, de benodigde technieken en uitdagingen. De huidige vorm van de juryassistent bestaat uit drie hoofdzakelijke delen. Het eerste deel gaat over het lokaliseren van springers in de opnames. Niet alle videos zoomen in op de springer of zijn net eerder statische opname. Dit deel is noodzakelijk om computationele overhead te beperken, daar springers soms minder dan een vijfde van het beeld in beslag nemen.
De tweede groote stap is het splitsen van volledige routines in elke uitgevoerde skill. Dit wordt gedaan aangezien het onbegonnen werk zou zijn op om dit manueel te doen.
Het derde deel omvat het herkennen van de gesprongen skill. Voor Double Dutch Freestyles betekent dit een combinatie van uitvoering door draaiers en springers.
Door louter presentatieskills of moeilijk zichtbare skills te makeren als 'unknown' (e.g. wanneer een draaier tussen de springer en camera staat), wordt er verwacht dat het model aangeeft wanneer het niet zeker is.
Voor het lokaliseren slaagde YOLOv11 er in om een mAP50 te behalen tussen de 93-95\%, waarbij het succesvol publiek filterde van atleten, mits kleine foutjes. Hierdoor het Multiscale Vision Transformer model skills ingezoomde crops gebruiken om acties van elkaar te onderscheiden. Deze konden vervolgens herkend herkend worden hetzelfde MViT model of een doormiddel van een Swin Transformer. Het gemiddelde f1 macro gemiddelde van deze modellen lagen tussen de 49 en de 53 procent, door de lage representatie van minder vaak voorkomende skills. Immers lag de totale accuraatheid hoger, tussen de 89 en de 94 procent.
Dit zorgde ervoor dat juryscores door het model konden toegewezen, deze lagen -28 tot -20 procent onder de score toegekend door juryleden.
Verdere onderzoek is nodig om de accuraatheid van de architectuur te verhogen.

Gehoorapparaten hebben een aanzienlijke evolutie doorgemaakt en zijn getransformeerd tot apparaten die in staat zijn tot aanzienlijke berekeningen op het oor. Naast deze berekeningen wordt verwerking met hoge eisen in het gehoorapparaat systeem uitgevoerd in een gecentraliseerd apparaat, waar meer rekenkracht beschikbaar is. Dit vereist echter(draadloze) gegevensoverdracht tussen deze apparaten, wat de batterijduur nadelig kan beïnvloeden. Verschillende strategie¨ en voor bandbreedte-efficiënte audio bronlokalisatie voor binaurale gehoorapparaten worden vergeleken. Een veelgebruikte strategie is het gebruik van audiocodecs, zoals de LC3+ codec, om de bandbreedte te minimaliseren. Hier wordt ook een bandbreedte
gecomprimeerde versie van een state-of-the-art gedistribueerd systeem onderzocht. Het coöperatieve model verwerkt eerst de microfoonsignalen lokaal voordat de functies naar de centrale processor worden verzonden voor verdere analyse. Het verlagen van de bandbreedte van het systeem impliceert een geschikte compressie van deze functies. Het onderzoek omvat verschillende optimalisaties, waaronder de kwantisatie van de ingebedde functies, aanpassingen aan de functiedimensies, evenals wijzigingen in tijd- en frequentieresoluties. In het algemeen leidden de cumulatieve aanpassingen tot een verbeterde prestatie die iets lager, maar goed vergelijkbaar was met het gecentraliseerde basismodel. Bovendien zijn proof-of-concept experimenten met kennisoverdracht en potentiële uitbreidingen van het coöperatieve model succesvol getest.

Matrixvermenigvuldiging ligt aan de kern van machinaal leren, een deelgebied van de artificiële intelligentie. Softwarebibliotheken bevatten manueel geoptimaliseerde versies van matrixvermenigvuldiging voor de meest gangbare technieken in machinaal leren, maar kunnen niet gebruikt worden voor onderzoek naar nieuwe technieken. Deze masterproef presenteert een flexibel raamwerk waarmee een breed scala aan ML berekeningen kunnen worden uitgevoerd, zonder te moeten inboeten aan snelheid.

In deze bachelorproef werd onderzocht of Computer Vision API’s zoals Clarifai, Google Cloud Vision of Microsoft Computer Vision gebruikt kunnen worden om museummedewerkers te ondersteunen bij het beschrijven van cultureel-erfgoedobjecten. Het registreren van beelden vraagt immers veel werk. Computer Vision API’s zijn sneller dan menselijke registratoren en kunnen een inhaalbeweging realiseren. Die API’s worden echter getraind met hedendaagse beelden waardoor het niet geweten is hoe goed ze zijn in het beschrijven van historische beelden.

Het ontstaan van een nieuwe soort onderzoekerWereldwijd wonen elk jaar meer dan 20 miljoen mensen een academische conferentie bij. Ze versterken hun netwerk, wisselen ideeën uit of zijn simpelweg geïnteresseerd in het thema van de conferentie. Ondanks de sterke vooruitgang van digitale communicatie, blijven deze bijeenkomsten de belangrijkste kruispunten van kennis en onderzoek. Conferenties maken steevast gebruik van naamkaartjes en programmaboekjes om ze zo vlot en efficiënt mogelijk te laten verlopen. Die worden in grote hoeveelheden gedrukt en vergen veel voorbereidend werk.

 Van Kolibrie naar KuLibrie Onderzoekers aan de Katholieke Universiteit Leuven hebben een microvliegtuig met flappende vleugels ontwikkeld. Ze baseren zich daarbij op de anatomie en de vliegwijze van de Rosse kolibrie, één van de kleinste vogeltjes op aarde.Maar waarom de kolibrie? Wel precies omdat hij zo klein en wendbaar is. Omdat hij zich vlot naar de meest onbereikbare plekken kan begeven en er ook kan blijven hangen. Je kan je dus wel indenken dat zo'n microvliegtuigje in de praktijk perfect inzetbaar is om allerlei tot hiertoe ondenkbare taken uit te voeren.