Som en del av projektkursen i maskinseende, kommer studenterna att visa de lösningar de har utvecklat för årets projekt i en öppen avslutande demo.
Du är varmt välkommen att delta i den avslutande demosessionen för att ta del av resultaten och stötta våra studenter.
Under sessionen kommer studenterna att presentera de projekt de har arbetat med under kursens gång (i grupper om 8–10). De kan komma att visa live- eller inspelade demonstrationer av sina lösningar och finns tillgängliga för frågor och diskussion.
Projekt
Pointcloud reconstruction from 360 imagery for forestry mapping (i samarbete med SLU)
Detta projekt undersöker om lågkostnadsbilder från 360°-kameror och öppna rekonstruktionsmetoder kan komplettera eller ersätta traditionella skogliga mätmetoder baserade på terrestrisk laserskanning (TLS) för att fånga skogens geometriska struktur.
Projektet fokuserar på att generera punktmoln från 360°-videodata med hjälp av fotogrammetriprogrammet COLMAP och jämföra den resulterande geometrin med TLS-baserade referensdata. Praktiska utmaningar kopplade till datainsamling i skogsmiljö undersöks, såsom bildöverlapp, vegetationstäthet, GPS‑integration och rekonstruktionskvalitet. Skogsrelaterade variabler som trädposition och brösthöjdsdiameter (DBH) jämförs med TLS‑data och fältmätningar med hjälp av CloudCompare och 3DFin. För interaktiv scenvisualisering av de filmade ytorna utforskar projektet även Gaussian Splatting.
Från videomaterial inspelat med en Insta360 X4‑kamera över en skogsprovyta skapades punktmoln i COLMAP. Skogsvariabler mättes i CloudCompare med 3DFin, och ytorna kan visas interaktivt via Gaussian Splatting i Brush.
Monocular depth estimation for marine applications (i samarbete med Knightech Group)
Monokulär avståndsestimering innebär att uppskatta avstånd med enbart en tvådimensionell bild. Detta kräver tränade modeller som först detekterar ett objekt i bilden och därefter uppskattar avståndet till det. Målet med projektet är att undersöka vad som krävs för att implementera monokulär avståndsestimering i verkliga marina miljöer genom att skapa en småskalig prototyp.
Den föreslagna lösningen består av två separata modeller: en YOLOv6‑baserad modell för bilddetektion och en DepthAnythingV2‑baserad modell för avståndsestimering. Dessa modeller har tränats på dataset med två objekttyper. Teamet har utvecklat två lösningar: en baserad på Basler Blaze 101 ToF‑kamera och en som använder ToF‑sensor och kamerasensor i en iPhone. Genom dessa kombinerade lösningar har projektet fått viktiga insikter om framtida utveckling av monokulär avståndsestimering i verkliga tillämpningar.
Quality assurance of a seeding machine using RGB and IR cameras (i samarbete med Kilåmon Plantskola)
Detta projekt, genomfört i samarbete med Kilåmon Plantskola, utvecklar ett maskinseende‑system för att utvärdera såddnoggrannhet i odlingsbrickor i en produktionslinje. I dagens process upptäcks felaktig sådd—som tomma celler eller celler med flera frön—först efter groning, vilket ger fördröjd återkoppling och potentiella förluster. Det föreslagna systemet detekterar och räknar frön i varje cell direkt efter sådd, vilket möjliggör tidigare kvalitetskontroll och stödjer identifiering av fel i såddprocessen.
En central utmaning är att brickorna rör sig kontinuerligt på ett transportband, vilket kräver att bildtagning, bricklokalisering, förbehandling, frödetektion och visualisering sker utan att stoppa flödet. Projektet hanterar därför verkliga begränsningar såsom strukturerade bricklayouter, små frön, varierande jordbakgrunder, skiftande brickformat, rörelserelaterade bildutmaningar och behovet av ett praktiskt operatörsgränssnitt.
Den föreslagna lösningen integrerar bildinsamling, brickförbehandling, beskärning, rutnätsdetektion, YOLO‑baserad frödetektion och cellvis räkning i ett lättviktigt webbaserat gränssnitt för livevisualisering och rapportering. Gränssnittet visar livekameraflödet, markerar den detekterade brickan som ett färgkodat rutnät, sparar historik över tidigare analyserade brickor, stödjer val av frötyp och genererar PDF‑rapporter med sammanfattande statistik över valda tidsperioder.
En klassisk färg- och blob‑baserad metod undersöktes också som deterministisk baslinje för björkfrön, men dess känslighet för ljusvariationer, substratutseende och frööverlagring gjorde att en inlärningsbaserad metod valdes. Den YOLO‑baserade lösningen är bättre lämpad eftersom den kan lära sig visuella egenskaper från annoterade brickbilder och tränas om för olika frötyper och bildförhållanden. Projektet utforskar även förbättrade bildtagningslösningar, inklusive kontrollerad belysning och IR‑illumination, som möjliga vägar för ökad robusthet.
