Jeg har stiftet VisionTec og driver alle virksomhedens aktiviteter.
På disse sider kan du læse om min baggrund og om et udsnit af projekter, jeg har arbejdet med gennem tiden. De projekter, der nævnes, er alle projekter med offentlig tilgængeligt materiale.
2005 – 2010: Kandidatgrad i Robotteknologi, SDU
2011 – 2014: Ph.D i Computer Vision indenfor intelligente landbrugsmaskiner
2014 – 2016: Computer Vision developer hos Gibotech, Automationshus
2016 – 2024: Computer Vision og AI specialist hos Teknologisk Institut, Center for Robotteknologi
2024 – nu: Selvstændig, stifter af VisionTec
Referenceprojekter
Ved præfabrikation af bygningselementer skal der jævnligt udføres kvalitetskontrol for at sikre, at et element stemmer overens med konstruktionstegningerne.
Denne kontrol sker ofte manuelt. I projektet blev det undersøgt, om man ved hjælp af et almindeligt kamera – monteret højt over emnet – kontinuerligt kunne overvåge, om elementerne stemte overens med mål og tolerancer fra arbejdstegningen. På den måde ville eventuelle fejl kunne opdages tidligt i processen og rettes, inden der evt. blev fyldt beton i formen.
Billeddata blev analyseret i realtid, og måledata kunne følges på en skærm.
Projektet var støttet af WeBuildDenmark , og blandt samarbejdspartnerne var Taasinge Elementer
Mono Camera
Precision
Eternitplader, der indleveres til genbrugsstationer, bliver i dag alle kørt på deponi. Det skyldes, at man ikke har ressourcer til at lade en operatør kontrollere, om en given plade kan være asbestholdig eller ej.
I projektet sigtede vi mod at automatisere detektionen af “NT”-mærket, der er præget ind i eternitpladerne. NT står for “Non-asbestos technology” og fortæller, at pladen er produceret uden brug af asbest.
Data blev genereret af en højpræcisions laser-profil-scanner fra SmartRay, der er i stand til at se de meget små fordybninger i pladen forsaget af prægningen. Data blev efterfølgende analyseret af en AI-model, der kunne identificere “NT”. Hvis ikke “NT” blev fundet, blev pladen sendt til deponi. En plade, hvor “NT” kan identificeres, kan genanvendes eller genbruges uden risiko for asbestforurening.
Projektet blev støttet af MUDP
AI processing
3D Data
Et almindeligt industri-kamera blev anvendt sammen med en velvalgt linse til at inspicere sprøjtestøbte emner umiddelbart efter støbeprocessen. Projektet omhandlede udfordringen omkring, at hvis procesparametre ikke står korrekt, kan der forekomme “oversprøjt”, hvor plast flyder ud på de elektriske terminaler.
Billeder blev analyseret med AI som identificere emner med oversprøjt.
I projektet arbejdede jeg sammen med kunden om at definere problemstillingen, designe et egnet computer vision setup, integrere med kundens egen mekaniske fremføringsaggregat samt træne og efterfølgende implementere en AI model, der kunne genkende problematiske situationer med oversprøjt på de elektriske terminaler.
Projekt udført som en del af MADE
Mono Camera
AI processing
Vola deltog i projektet og leverede den case der blev arbejdet med. Her var der tale om en emne der gennemgår en slibe proces og Vola ønsker at emnerne fremtræder meget ens uden utilsigtede effekter fra dreje eller slibeprocessen.
Da resultatet af slibning og polering afhænger af slibemidlet og slibemidlets beskaffenhed kan resultatet variere. I projektet blev der udviklet en proces der gjorde det muligt at analysere hver enkelt emne efter bearbejdning for at sikre at det visuelle udtryk er som ønsket.
Udfordringen med de emner der arbejdes med er at det visuelle udtryk er dybt afhængig af det lys som emnet inspiceres under. Derfor blev en robot anvendt til at præsentere emnet for kamera’et under mange forskellige geometriske relationer mellem lyskilde og kamera.
Resultatet blev at der genereres en stor mængde billeder som en operatør efterfølgende kunne inspicere for derved at udpege de geometriske lys/kamera relationer der sikrede at defekter eller uønsket visuel fremtoning kunne ses. Med den viden kunne inspektionsprocessen tilpasses til kun at optage de billeder der viste sig at være relevante for at identificere fejl.
En AI model blev i sidste ende trænet til at se disse fejl uden operatørens indblanding.
Projekt udført som en del af MADE
Mono Camera
AI processing
Custom Lighting
Gibotech udviklede og installerede Gibosort hos Nordsjællands hospital, Hillerød.
I youtube-videoen ser man hvordan et almindeligt kamera anvendes til se ned I en åben kasse med blodprøver. Hver enkel prøve bliver lokaliseret foruden at prøvespecifik information bliver afkodet i billedet. Informationerne kommunikeres til en robot der samlede prøverne op en efter en.
Derudover består løsningen af et særligt designet vision system der inspicere hele den cylindriske prøvebeholder ved kun at tage et enkelt billede. Her aflæses stregkode, farven på låget, samt om prøven er centrifugeret eller ej. Alle informationerne anvendes i den efterfølgende behandling af blodprøven.
Projektet blev gennemført tilbage I 2014.
