Advancing Detection through Deep Learning for Industrial, Environmental, and Health Applications
- Promovendus/a
- Park, Ho-Min
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Elektronica en Informatiesystemen
- Curriculum
- Master of Science in Computer Science and Engineering, Ajou University, Zuid-Korea, 2018
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Verbeteren van detectie door middel van diep leren voor toepassingen in de industrie, de milieu- en gezondheidssector
- Promotor(en)
- prof. Wesley De Neve, vakgroep Elektronica en Informatiesystemen & Department of Environmental Technology, Food Technology and Molecular Biotechnology - prof. Arnout Van Messem, Université de Liège
- Examencommissie
- voorzitter prof. Filip De Turck, academisch secretaris - prof. David (Bong Jun) Choi, Soongsil University (Zuid-Korea) - prof. Dieter De Witte, Vakgroep Elektronica en Informatiesystemen - prof. François Rameau, State University of New York, Korea (Zuid-Korea) - prof. Yong Man Ro, Korea Advanced Institute of Science and Technology (Zuid-Korea) - prof. Sofie Van Hoecke, vakgroep Elektronica en Informatiesystemen - promotor prof. Wesley De Neve, vakgroep Elektronica en Informatiesystemen & Department of Environmental Technology, Food Technology and Molecular Biotechnology - promotor prof. Arnout Van Messem, Université de Liège
Korte beschrijving
Deze dissertatie onderzoekt de toepassing van diep machinaal leren en sensorfusie in drie
domeinen: detectie van objectgrootte en -type voor geautomatiseerde
hogesnelheidsverpakking; het opsporen van microscopische plastiekdeeltjes voor
milieutoezicht; en het herkennen van stress bij mensen. Elk domein kent specifieke
technische uitdagingen, zoals het nauwkeurig meten van snel bewegende objecten in ware
tijd, het onderscheiden van microscopisch kleine plastiekdeeltjes van andere materialen en
het combineren van verschillende soorten gegevens om stress bij mensen beter in te
schatten.
Om deze uitdagingen aan te pakken, zijn in dit onderzoek gerichte oplossingen ontwikkeld.
Voor industriële automatisering is een systeem ontworpen dat meerdere sensoren combineert
en verwerking in ware tijd mogelijk maakt. Voor het detecteren van plastiekdeeltjes is een
segmentatiemodel gebaseerd op diep machinaal leren geïmplementeerd. Voor stressherkenning
zijn methoden ontwikkeld die verschillende types gegevens combineren en de interpretatie
van modellen verbeteren.
De behaalde resultaten tonen de effectiviteit van de ontwikkelde oplossingen aan. Het
systeem voor industriële verpakking behaalde een meetnauwkeurigheid van 2,34 mm en een
classificatienauwkeurigheid van 83%. Het MP-Net-model voor milieutoezicht overtrof eerdere
technieken en behaalde de hoogste scores bij het opsporen van microscopische
plastiekdeeltjes. De modellen voor stressdetectie eindigden respectievelijk op de tweede
en derde plaats in opeenvolgende internationale competities gericht op stressherkenning.
Praktisch
- Datum
- Maandag 26 mei 2025, 10:00
- Locatie
- Ghent University Global Campus Building, Gh 104, Ghent University Global Campus 119-5, Songdomunhwa-ro, 21554 Yeonsu-gu, Incheon, Republic of Korea
- Livestream
- Volg online
start om 10.00 uur CEST (UTC+2) / om 17.00 uur KST (UTC+9)
Meer info
- Contact
- doctoraat.ea@ugent.be