Hoe leer je een bodyscanner om smokkelwaar te herkennen? Kan een camera onderscheid maken tussen katoen en nylon? En is het mogelijk om met AI een digitale boomgaard te kweken waar appeltelers de vruchten van plukken? Het zijn stuk voor stuk vragen waar dr. Klaas Dijkstra, onze lector Computer Vision & Data Science, zijn tanden in zet. Vandaag, op de dag van zijn inauguratie, deelt hij 3 projecten waarin slimme camera’s onze blik verruimen.
Van de industriële maakindustrie tot de aardappelteler: steeds meer sectoren kennen inmiddels het gemak van slimme camera’s die zaken kunnen waarnemen die met het menselijk oog lastig te zien zijn. Bij het lectoraat Computer Vision & Data Science hebben ze het trainen van deze kunstmatige intelligentiemodellen tot kunst verheven. “Van ziektedetectie tot kwaliteitscontroles en van precisielandbouw tot de zorg; we kunnen een AI-model vrijwel alles leren”, vertelt kersverse lector Klaas Dijkstra. “Samen met studenten werken we aan uiteenlopende opdrachten uit het werkveld.”
- Een zelfdenkende bodyscanner
Vliegveld, gerechtsgebouw of gevangenis: de bodyscan is al jaren een beproefde manier om wapens en smokkelwaar buiten de deur te houden. In het onderzoek van Klaas, zijn team en OD Security – fabrikant van medische technologie – gaat deze scanner net een stapje verder. “Op dit moment detecteert de securitymedewerker verdachte voorwerpen op basis van de röntgenscan. In ons onderzoek leren we de scanner om zelf afwijkingen te signaleren”, legt Klaas uit. “Dat doen we door allerlei foto’s van het menselijk lichaam te verzamelen. Daarmee trainen we het model om afwijkingen te herkennen die kunnen duiden op smokkelwaar. Daarbij gebruiken we bijvoorbeeld een medische dummy met dezelfde eigenschappen als het menselijk lichaam. Doel is dat de bodyscanner samen met de slimme camera ieder verschil meteen opmerkt en ziet wat ons menselijk oog mist. Zo maken we de gevangenis, vliegvelden en gerechtsgebouwen nog veiliger.”
- Beter recyclen met de textielcamera
Van de theedoek tot je onderbroek: ieder voorwerp van textiel heeft een label met daarop de samenstelling van de vezelsoorten. Katoen, viscose, elastaan, polyester; de keuze is groot. “Dat onderscheid kun je met het menselijk oog niet maken als er geen labeltje meer aan een product zit”, weet Klaas. “Een hyperspectrale camera kan dat wel. Hiervoor gebruiken we de kennis die onze collega’s van het lectoraat Circular Plastics al in huis hebben. Gezamenlijk hebben we een camera die plasticsoorten herkent. Wij leren hem hetzelfde trucje, maar dan met textiel. De camera herkent het vezeltype, waardoor je afgedankt textiel beter kunt recyclen. Hoe puurder de reststromen hoehoogwaardige gerecyclede textielproducten we kunnen maken. Daarmee geven we textiel een tweede
leven. Een camera kan de was doen!”
- Slimme camera’s die meekijken met (aard)appeltelers
Met z’n lengte van 1,2 tot 2,6 millimeter is de groene perzikluis nauwelijks te zien met het blote oog. Toch kan dit minuscule beestje grote schade veroorzaken in een aardappelveld. “Vandaar dat veel aardappeltelers preventief bestrijdingsmiddelen spuiten over hun gewassen”, vertelt Klaas. “Zonde van de investering en bovendien niet goed voor mens en milieu. Met onze slimme camera kunnen we dit beestje niet alleen waarnemen, maar ook haarscherp op de foto zetten. Vervolgens leren we de camera om de groene perzikluis te herkennen en krijgt de boer gelijk een seintje. Zo spuit je alleen wanneer het echt nodig is.”
Ook appeltelers plukken de vruchten van de slimme camera’s van Klaas. “We trainen AI-modellen om zieke appels in een boom te herkennen. Van de Elstar tot Granny Smith: we voeren het model duizenden foto’s van iedere appelsoort. De uitdaging in dit project is dat het maken van foto’s slechts in een korte periode per jaar lukt. Immers: volle appelbomen heb je alleen in het najaar. Daarom genereren we zelf foto’s van appelboomsoorten met AI. We vragen AI om foto’s te genereren van een Elstar-boom. Vervolgens gebruiken we die om een AI-herkenningsmodel te trainen. Zo kweken we een digitale boomgaard waar we het hele jaar door data kunnen oogsten.”
Synthetische data: de toekomst in een stroomversnelling
Het toepassen van deze zogenoemde synthetische data biedt een schat aan mogelijkheden om slimme camera’s in de toekomst nog beter te kunnen trainen, voorspelt Klaas. “Om een model te trainen heb je al snel een dataset nodig van tienduizenden foto’s. Door gebruik te maken van generatieve AI-technieken zoals stable diffusion en modellen zoals Dreambooth kun je in veel kortere tijd deze foto’s genereren om een ander AI-model mee te trainen. Zo zie je dat de ene kunstmatige intelligentieuitvinding de andere verbetert. Hierdoor ontstaat er een ongekende stroomversnelling. Ik kijk uit naar wat de toekomst ons nog brengt!”
