Scriptiebank overzicht

This thesis addresses the cognitive friction associated with executing manual tasks using flat 2D documentation in spatial computing environments, where users must constantly shift attention between instructions, physical tools, and machinery. To solve this, we present EmbedLLM, the first automated, context-aware content reformatting framework that adapts both content design and presentation to the user’s environment and specific goal. EmbedLLM converts unstructured step-based PDF manuals into 3D spatially embedded instructions in Virtual Reality (VR). The system operates via a pipeline that abstracts the environment into a semantic scene graph, leverages a multi-stage Large Language Model (LLM) reasoning chain to construct step-based instruction nodes and semantic edges, and instantiates these panels using a novel, semantically aware force-directed 3D label placement algorithm to achieve spatial equilibrium and prevent visual clutter.
We evaluated EmbedLLM through a preliminary preference survey (n = 20) across diverse environments and a within-subjects user study (n = 12) comparing the framework to a traditional floating PDF window during 3D printer maintenance tasks. The preference survey showed that EmbedLLM achieves significantly higher environmental alignment than traditional baseline documents, with participants strongly favoring spatial orchestration for complex, structurally demanding procedures. However, the task execution study revealed a clear trade-off: active task support with EmbedLLM resulted in significantly longer completion times (996.93 s vs. 580.46 s) and increased cognitive load (3.00 vs. 2.31 on the NASA-TLX scale). Qualitative feed-back suggests these performance costs stem from the rigid sequential pacing of the generated interface and novices struggling with hardware terminology.
This work contributes the technical pipeline of EmbedLLM, a semantically enhanced physics layout algorithm, and empirical insights on context-aware XR instruction delivery. Future research directions include real-time situated action updates, user skill level adaptation, and integration with agentic GUI automation and text-to-3D models.

Observatievaardigheden zijn van belang voor zorgverleners, zowel voor accurate diagnoses als voor empathische patiëntondersteuning.
De huidige evaluatie van deze vaardigheden in gesimuleerde omgevingen steunt vaak op subjectieve methoden zoals zelfrapportage en directe observatie door docenten.
Hoewel de Tobii eyetracking-brillen in het Zorglab van HOGENT objectieve blikdata leveren,
ontbreekt er tot op heden geschikte software om automatisch te analyseren welke objecten studenten waarnemen en voor hoe lang.
Deze bachelorproef beantwoordt hoe computervisiemodellen geïntegreerd kunnen worden met eyetrackingdata van Tobii Glasses om de observatieprestaties van studenten automatisch te analyseren.
De analyses dienen de feedback door docenten in het Zorglab te versterken.

Deze doelstelling werd uitgewerkt door middel van van een proof-of-concept (PoC) softwareapplicatie.
Dit proces startte met een literatuurstudie naar eyetracking-analyse en relevante computervisiemodellen (o.a. YOLO, SAM, DINOv2).
Vervolgens werd een prototype applicatie ontworpen en geïmplementeerd (Python, FastAPI, HTMX), inclusief een semi-automatische labeling-tool die gebruik maakt van SAM2 voor objectsegmentatie en -tracking.
Om de PoC te valideren, werd een gecontroleerd experiment uitgevoerd in het Zorglab.
Hier genereerden studenten aan de hand van Tobii Pro Glasses 3, eyetrackingopnames tijdens gesimuleerde observatietaken.
Deze opnames, samen met twee specifieke kalibratieopnames, werden gelabeld met de ontwikkelde tool om een grondwaarheidsdataset te creëren.
Een analysepijplijn werd ontworpen en geëvalueerd. In deze analyse werd de trackingfunctionaliteit van FastSAM gecombineerd met blikgestuurde filtering en classificatie van objectsegmenten, middels een getraind YOLOv11-objectdetectiemodel.
De prestaties werden geëvalueerd aan de hand van precisie, recall en F1-score, na optimalisatie via een grid search van hyperparameters.

Uit de resultaten bleek dat de combinatie van FastSAM-tracking met een YOLOv11-objectdetector (getraind op 1000 samples per klasse) de beste prestaties opleverde, met een F1-score van 0.80, een precisie van 0.94 en een recall van 0.70.
De hoge precisie toont aan dat het systeem met grote zekerheid de correcte objecten identificeert, hoewel een significant deel van de fout-positieven in de werkelijkheid correct gedetecteerde objecten bleken te zijn, die niet in de grondwaarheid waren opgenomen.
De lagere recall wijst erop dat niet alle bekeken objecten consistent werden gedetecteerd, voornamelijk door problemen met kleine, transparante objecten en door inconsistenties tussen de FastSAM-segmentaties en de grondwaarheid.
De FastSAM-tracking bleek de meest beperkende factor in de pijplijn.

Deze bachelorproef levert een werkend PoC en een methodologie op die de haalbaarheid van geautomatiseerde analyse van observatievaardigheden aantoont.
Het biedt een objectieve, datagestuurde basis om de feedback aan studenten te verbeteren en de effectiviteit van simulatietraining in de zorg te verhogen.
Op deze manier legt het een fundament voor verder onderzoek naar robuustere analysemethoden.

Deze masterproef pakt de beperkingen van manuele kwaliteitscontrole aan door een modulair, hybride inspectiesysteem te ontwikkelen. Het platform combineert 3D-scans voor geometrische analyse (deuken, ontbrekende onderdelen) met 2D-beeldanalyse voor oppervlaktedefecten. Centraal staat een innovatieve AI-aanpak die zowel flexibele 'zero-shot' detectie (objecten vinden op basis van tekst) als hypernauwkeurige, getrainde modellen inzet. Door het fuseren van verschillende sensoren (RGB, diepte, nabij-infrarood) is het systeem gevalideerd op industriële steigerpijpen en e-bike batterijen, wat de brede toepasbaarheid voor veiligere en efficiëntere productie aantoont.

Deze thesis presenteert een geïntegreerd systeem voor geautomatiseerde monitoring van honingbijen (Apis mellifera L.), waarin computervisie, op maat gemaakte hardware en webgebaseerde datavisualisatie worden gecombineerd. Het systeem omvat een op computervisie gebaseerde arenatest, een studie met geluidsstimulus, een opstelling voor pollenmonitoring en thermische beeldvorming om het gedrag van bijen binnen de kast te volgen.

De arenatest volgt vijf bijen en een Varroa destructor-mijt. Door middel van thresholding en contouranalyse worden de posities van bijen en mijt geïdentificeerd en geanalyseerd met gedragsmaten om potentiële varroaresistentie te beoordelen. Voor de pollenmonitoring werd een op maat gemaakte opstelling ontwikkeld die terugkerende bijen van onderaf registreert. Kleurgebaseerde segmentatie en contouranalyse detecteren pollenladingen, terwijl kleurcorrectie de nauwkeurigheid verbetert. Dit maakt het mogelijk de foerageeractiviteit en efficiëntie van de kolonie te kwantificeren.

Een geluidsstimulus-experiment onderzoekt of de gezondheid van een bijenvolk kan worden afgeleid uit de respons van bijen op een korte geluidspuls. Audiofeatures werden geëxtraheerd en geanalyseerd met behulp van ANOVA, PCA en MANOVA, waarbij significante reacties aan het licht kwamen die kunnen correleren met de toestand van de kolonie. Thermische beeldvorming onder de kast registreert de bewegingen van bijen en de temperatuurverdeling. Door de beelden in zones te verdelen kan de activiteit in specifieke delen van de kast gevolgd worden, wat inzichten biedt in koloniegrootte en -gedrag zonder de kast te openen.

Alle data wordt opgeslagen en gevisualiseerd via een op maat gemaakte website, gehost op een Raspberry Pi. Ondanks het gebruik van deels gesimuleerde data werd de volledige systeemarchitectuur getest. De resultaten tonen aan dat deze niet-invasieve benadering van monitoring waardevol is voor zowel wetenschappelijk onderzoek als de praktische bijenteelt.

Hoe kan er meer geproduceerd worden op minder oppervlakte – indien mogelijk – zonder stijgende impact op het milieu? Binnen de precisielandbouw doet men onderzoek naar systemen die hieraan tegemoetkomen. In deze masterproef, in samenwerking met het ILVO, wordt onderzocht wat de mogelijkheid is om bestaande computervisie- technieken te combineren tot een nieuwe proof of concept voor de detectie van planten in overzichtsfoto’s van landbouwvelden gemaakt door drones.

Het boek vormt een goed geschreven en volledig overzicht van de gebruikte technieken en onderzochte pistes en is gestoeld op een groot aantal wetenschappelijke bronnen om draftingdetectie mogelijk te maken. Het boek bevat ook een uitgebreid overzicht van mogelijke uitbreidingen en toekomstperspectieven.

In deze thesis worden de basisconcepten van een Active Shape Model uitgelegd en de concrete toepassing ervan op gezichtsbeelden. Het aanvankelijke model van Cootes [1] en de uitwerking ervan [2] werden geoptimaliseerd door middel van enkele aanpassingen uit te voeren waarvan de introductie van patches de belangrijkste is. De uitwerking ervan wordt vervolgens gebruikt als black box om met behulp van machine learning-concepten gezichtsexpressies uit het CFCS-systeem te classificeren. De classificatie van deze Facial Events kan gebruikt worden voor tal van toepassingen zoals - in deze thesis - pijndetectie.

Kan een computerprogramma je leven redden? Automatische analyse van ziek celweefselEr wordt de laatste jaren steeds meer vooruitgang geboekt op het gebied van medische beeldvormingstechnologie. Artsen en clinici hebben meer dan ooit tevoren enorme hoeveelheden visuele patiëntdata ter beschikking. Deze enorme explosie aan gegevens vergroot hun kennis, maar dreigt hen ook boven het hoofd te groeien. Scans en analyses van weefselmonsters resulteren vaak in tientallen, honderden of zelfs duizenden beelden, die allemaal met de hand onderzocht dienen te worden.