Onderzoek Ivan De Boi

Abstract

Hedendaagse niet-weggebonden mobiele machines (Non-Road Mobile Machinery, NRMM) zoals machines voor landbouw, grondverzet, hef- en hijswerken, constructie, container en/of bulk handeling, bevatten standaard tal van sensoren. Deze sensordata, noodzakelijk voor het goed functioneren deze machines, wordt typisch over een CAN-netwerk gecommuniceerd naar de verschillende subsystemen van de machine. Sinds de introductie van de J1939-standaard is de communicatie laag van het CAN-protocol bij vrachtwagens en NRMM-applicaties gedeeltelijk gestandaardiseerd, wat het eenvoudiger maakt om sensordata op dit netwerk uit te lezen en bv. te gebruiken om bijkomende nuttige (operationeel, strategisch, etc.) inzichten te ontwikkelen. Al deze sensordata capteren en gericht gebruiken is een enorme opportuniteit voor exploitanten van NRMM, maar wordt vandaag de dag nog onderbenut! Bijkomend blijkt uit voorafgaande interactie met de doelgroep dat ongeplande machinestilstand een kritieke kostenpost is die de marges in de sector direct onder druk zet. Elk instrument dat deze downtime kan reduceren of voorkomen, is vanuit economisch oogpunt dan ook essentieel. Predictive Maintenance (PdM) biedt hier de oplossing door via geavanceerde data-analyse (zoals AI en Machine Learning) storingen te voorspellen voordat deze tot een kostbare stopzetting van de werkzaamheden leiden. Hoewel de academische literatuur de effectiviteit van PdM op basis van sensordata uitvoerig bewijst, blijft de adoptie in de Vlaamse praktijk achter. De voornaamste barrière voor deze adoptie is niet een gebrek aan domeinkennis. Het technisch personeel bij de doelbedrijven is zich zeer bewust van de meest voorkomende defecten en de bijbehorende financiële impact. Echter, de diepgaande kennis, de praktische skills en inzicht in het enorme potentieel van AI over het gebruik van J1939 data om deze bekende issues proactief te voorkomen, is nog te weinig doorgedrongen. Er is een nijpend tekort aan profielen die de brug slaan tussen diepgaande machinekennis en geavanceerde data-analyse, mede doordat exploitanten van NRMM deze profielen nog niet actief gaan zoeken op de arbeidsmarkt. Zolang deze synergie bij het technisch personeel en de exploitanten ontbreekt, wordt de technologische mogelijkheid niet herkend, waardoor de vraag naar externe expertise of interne innovatietrajecten uitblijft. Dit project beoogt precies die kloof te dichten door gebruik van J1939 data en complexe AI-mogelijkheden te vertalen naar de vertrouwde praktijk van het technisch personeel. De Karel de Grote Hogeschool bouwt in dit project verder op de recent opgebouwde expertise binnen het Expertisecentrum Duurzame Industrie rond het decoderen en analyseren van CAN‑ en J1939‑data in de projecten RevCAN, U‑CANsim en CremAN, waarin reeds met succes merkonafhankelijke datacaptatie en simulatie van voertuig- en machinegegevens voor industriële toepassingen werden gerealiseerd. De industriële visie groep InViLab van de Universiteit Antwerpen vertrekt vanuit recent onderzoek in probabilistische machine learning en data gedreven modellering, en zet deze kennis nu in om J1939 sensordata van NRMM te vertalen naar robuuste predictive maintenance toepassingen. Samengevat, biedt de grote hoeveelheid aan beschikbare sensordata een unieke opportuniteit om stilstand bij NRMM verder terug te dringen d.m.v. PdM, maar is er onvoldoende bekendheid en expertise bij zowel vlootbeheerders als onderhoudspartijen om deze technologische meerwaarde effectief te verzilveren.

Onderzoeker(s)

• Promotor: De Boi Ivan
• Co-promotor: Ceulemans David
• Co-promotor: Vanlanduit Steve

Onderzoeksgroep(en)

• InViLab01/09/2026 - 31/08/2028

Financiering

• VLAIO

Project website

Project type(s)

• Onderzoeksproject

Abstract

Endoscopie speelt een centrale rol bij diagnostische onderzoeken en minimaal invasieve chirurgische procedures. Een bijzonder type is de draadloze capsule-endoscopie, waarbij patiënten een kleine pilvormige camera innemen. Ondanks het belang ervan vertonen de endoscopische beelden en video's ernstige nadelen, zoals aanzienlijke vervorming, lage resolutie, ontbrekende frames en reflecties. In dit project ga ik een aantal van deze uitdagingen aan. Hiervoor zal ik eerst een nieuwe camerakalibratieprocedure ontwikkelen. Vervolgens zal ik, op basis hiervan, Gaussiaanse processen en generatieve AI inzetten om modellen te formuleren die een alternatieve latente ruimtere van de beelden construeren. Probabilistische machine learning-modellen, zoals Gaussiaanse processen, bieden interpreteerbaarheid (geen black-box), wat cruciaal is in evidence-based geneeskunde. Het biedt transparantie en helpt bij het opbouwen van vertrouwen bij artsen. Verbeterde camerakalibratie en innovatieve inzichten op latente ruimtes bieden het potentieel om een ??revolutie teweeg te brengen in verschillende technieken, waaronder het opstellen van 3D-trajecten, mozaïeken en nog veel meer. Als gevolg hiervan zal mijn onderzoek de precisie en efficiëntie van artsen bij het interpreteren van endoscopische beelden aanzienlijk verbeteren. Dit belooft op zijn beurt de detectiepercentages te verhogen, de nauwkeurigheid van metingen te vergroten en bij te dragen aan de vooruitgang van minimaal invasieve chirurgie.

Onderzoeker(s)

• Promotor: Penne Rudi
• Mandaathouder: De Boi Ivan

Onderzoeksgroep(en)

• InViLab01/10/2024 - 30/09/2027

Financiering

• FWO

Project type(s)

• Onderzoeksproject

Abstract

Camera-kalibratie is een fundamentele stap in nauwkeurige 3D-metingen. Directe kalibratie kan echter complex en tijdrovend zijn, vooral voor multi-camerasystemen met verschillende configuraties. Dit onderzoek stelt een impliciete kalibratieaanpak voor met behulp van Gaussische processen, een probabilistische machine learning-techniek. Door de mapping tussen 2D-beeldpixels en 3D-wereldcoördinaten te leren, kunnen we de noodzaak van expliciete kalibratie van intrinsieke en extrinsieke camera-parameters omzeilen. De voorgestelde methode is bijzonder voordelig voor uitdagende scenario's, zoals systemen met groothoeklenzen en multi-camerasystemen met diverse cameratypes (bijvoorbeeld RGB en infrarood). Door gebruik te maken van Gaussische processen kunnen we omgaan met regimes met weinig data en betrouwbare onzekerheidskwantificering bieden. We streven ernaar de effectiviteit van deze aanpak aan te tonen door middel van twee use-cases: 3D 180°-360° Omgevingsmapping: Het gebruik van meerdere groothoek RGB-camera's om een ​​volledige 3D-weergave van een scène vast te leggen. 3D Thermografie: Het combineren van RGB- en infraroodcamera's om 3D-warmtekaarten te genereren, waardoor een gedetailleerde analyse van warmteverdeling mogelijk is. Dit onderzoek zal bijdragen aan de vooruitgang van de state-of-the-art in 3D-computer vision door een flexibele en robuuste oplossing voor impliciete camera-kalibratie te bieden, waardoor nauwkeurige en efficiënte 3D-metingen in verschillende toepassingen mogelijk worden.

Onderzoeker(s)

• Promotor: De Boi Ivan

Onderzoeksgroep(en)

• InViLab01/04/2025 - 30/03/2026

Financiering

• BOF

Project type(s)

• Onderzoeksproject

Abstract

Het standaard pinhole-model voor optische sensoren en de bijbehorende kalibratieprocedures blijken ongeschikt voor de huidige generatie van sensoren. Zelfs voor klassieke RGB-camera's leidt het pinhole-model tot een onstabiele kalibratie, met dan nog de noodzaak voor een extra model om lensdistorsie te corrigeren. In dit project stellen we lijnenvariëteiten voor om als unificerend model te dienen voor een breed gamma van sensoren. In tegenstelling tot andere gepubliceerde voorstellen van algemene lijnmodellen, gaan wij de specifieke lijnenvariëteit identificeren die bij een bepaalde sensor hoort, met een elegante en nauwkeurige kalibratie tot gevolg. Meer bepaald laat ons dit toe om te kalibreren vanuit een kleine sample van 3D-rechten, waarbij we numerieke interpolatietechnieken en Gaussische processen aanwenden. Omdat deze technieken dienen uitgebreid worden tot de context van lijnenvariëteiten, zullen we ook nieuwe technieken moeten ontwikkelen. Onze ultieme doelstelling is om met behulp van deze lijnmodellen een multi-sensor configuratie op te stellen, met een heel nauwkeurige sensorfusie, geschikt als supportonderdeel tijdens Radiotherapie.

Onderzoeker(s)

• Promotor: Penne Rudi
• Mandaathouder: De Boi Ivan

Onderzoeksgroep(en)

• InViLab01/10/2020 - 30/09/2024

Financiering

• BOF

Project type(s)

• Onderzoeksproject