< Terug naar vorige pagina

Project

Op leren gebaseerde voorstellingen voor de automatisering van hyperspectrale microscopische beeldvorming en predictief onderhoud

In dit project zullen we ons richten op het ontwerpen van een model voor representatie-leren dat de detectie van vervuiling in microscopische voorbeelden in een zo vroeg mogelijk stadium uit hyperspectrale beelden (HSI) mogelijk maakt. Huidige methoden voor deze taak werken naast de RGB-beelden die afgeleid zijn van HSI. Rekening houdend met dit alles zullen we ons richten op het ontwerpen van een methode die in staat is om de volledige ruwe datakubus te analyseren die elk HSI-monster samenstelt en potentiële signalen te identificeren om de nauwkeurige detectie van de vervuiling in het monster mogelijk te maken. Bovendien, naarmate industriële klanten zich meer en meer bewust worden van de groeiende onderhoudskosten en stilstand als gevolg van de onverwachte machinebreuken, krijgen voorspellende onderhoudsoplossingen voor biofarmaceutische bedrijven meer interesse om een concurrentievoordeel te behouden. Om dit probleem aan te pakken, zullen we methoden onderzoeken om gegevenssporen te analyseren die afkomstig zijn van verschillende bronnen, bijv. computerlogboeken, rapporten van de operator, kwaliteit van de verzamelde voorbeelden, enz. om tijdspatronen te identificeren die kunnen dienen als sterke indicatoren voor een potentiële anomalie die in de nabije toekomst zal optreden op de bewaakte systemen. Ten slotte zullen voor beide bovenvermelde taken modelverklaringsalgoritmen worden onderzocht en ontworpen zodat de voorspellingen die door hun respectieve modellen worden gedaan, kunnen worden gerechtvaardigd. Bovendien zullen deze uitlegalgoritmen dienen om de getrainde modellen te debuggen en hun validiteit en robuustheid te beoordelen ten opzichte van artefacten, zoals biases, datalekken, etc., die tijdens de trainingsfase worden geïntroduceerd.
Datum:1 sep 2020 →  Heden
Trefwoorden:HYPERSPECTRALE BEELDVORMINGSSYSTEMEN, BEELDVORMING (WETENSCHAPPEN)
Disciplines:Kennisrepresentatie en redenering, Machine learning en besluitvorming, Computervisie, Beeldverwerking
Project type:Samenwerkingsproject