Tech Topic Group bijeenkomst Machine Vision & Sensoring

Tech Topic Group bijeenkomst Machine Vision & Sensoring

Op de recentste bijeenkomst van de Tech Topic Group Machine Vision & Sensoring kwamen onderzoekers en industriële partners weer bijeen om de laatste ontwikkelingen te delen, dit keer kwamen de volgende thema’s naar voren:

1. Hyperspectrale imaging (Joris Kampman, Saxion SMART)
Joris presenteerde de meerwaarde van hyperspectrale beeldvorming: in plaats van brede kleurbanden gebruikt deze techniek smalle frequentielijnen, wat de discriminatie tussen materialen sterk verbetert. Toepassing is nu nog vooral “out‑of‑line” voor kwaliteitsinspecties en selectietraining, maar in de toekomst kunnen betaalbaardere en snellere camera’s in‑line worden ingezet. Bij voorbeeld: het verschil tussen koper, brons, messing en aluminium wordt per golflengte nauwkeurig geanalyseerd, met voor aluminium een juiste herkenning van 93 % (83 % confidence) en voor grijs‑achtige en kopermaterialen 80–90 %. Het helpt niet alleen materiaalsoorten te onderscheiden, maar ook vervuiling in producten te detecteren.

2. Deep learning OCR voor productidentificatie (Sjoerd Bozon, Hollander Techniek)
Sjoerd nam ons mee in het gebruik van Deep Learning Optical Character Recognition om codes op gegalvaniseerde metalen producten te lezen, zelfs onder wisselende verlichting met een handheld scanner. Een handmatig gelabelde database van 10.000 beelden (opgebouwd over vier jaar) legde de basis, maar inmiddels kunnen moderne auto‑labelling algoritmes veel werk uit handen nemen, waarna handmatige verificatie volstaat. Belangrijkste randvoorwaarde: een low‑tech camera en een live‑detectie aanpak waarbij tekst dynamisch wordt opgepikt tijdens doorvoer.

3. Open world learning voor ‘learning on the job’ (Esmaeeli & Hojat, Saxion SMART)
In de inline-scraping case bleek een gewone RGB‑camera met Deep Learning vaak sneller en praktischer dan hyperspectraal. Hojat schetste het ideale model volgens Open World Learning (OWL): zonder grote datasets vooraf, met slechts tekstuele opdrachten (“detecteer product X”) en directe feedback van de operator (bijv. een selectiekader om niet-gerecogniseerde objecten). De OWO‑ViT‑v2 implementatie haalt vergelijkbare prestaties als zwaar getrainde algoritmes (zoals YOLOv11) dankzij transformer‑architectuur, transfer learning en few‑shot active learning. Dit verlaagt ontwikkeltijd en -kosten en maakt continue verbetering tijdens productie mogelijk.

4. Machine Vision & sensoring in lasersnijden (Marcel de Vries, Voortman)
Marcel beschreef de uitdaging om laser- en plasmacutters nauwkeurig (0,1–1 mm) af te stemmen op verschillende plaatdiktes en snijafstanden. Waar voorheen tastende metingen werden toegepast, wordt nu 2D‑lijnlaser‑triangulatie ingezet met vijf vaste sensoren. Verschillen tussen ‘sales accuracy’ en werkelijke nauwkeurigheid bij leveranciers (bv. Sick, LMI Technologies) liggen vooral in de post‑processing van de samengevoegde sensoriële snapshots. Experimentele opstellingen testen momenteel de grenzen van deze front‑ en back‑end.

De volgende bijeenkomst vindt plaats op donderdag 26 juni 2025, 14.30–16.30 uur bij Niverplast in Nijverdal. 
Wil je hier graag bij aanwezig zijn? Aanmelden kan via info@tvalley.nl.