Non-Invasieve Monitoring met Motion Magnification

Dit project richt zich op de doorontwikkeling en toepassing van Motion Magnification, een AI-technologie die subtiele trillingen in videobeelden versterkt en analyseert zonder de noodzaak van fysieke sensoren. In de academische literatuur wordt Motion Magnification beschouwd als een lens waardoor we een wereld van trillingen kunnen zien die normaal onzichtbaar zijn met het blote oog. Deze veelbelovende technologie bestrijkt een breed spectrum aan toepassingsmogelijkheden, van de industriële sector tot de gezondheidszorg. Op basis van de vraagarticulatie van de partners van het L.INT lectoraat Industriële Digital Twins en het Maintenance Lab, richten wij ons in dit project tot het toepassen van de technologie binnen de onderhoudsindustrie en maakindustrie.
Het project wordt uitgevoerd in samenwerking met industriële partners zoals Holland Mechanics, Tempress Systems en IJskoud, die geconfronteerd worden met uitdagingen op het gebied van productieoptimalisatie en operationele efficiëntie. Het project zet zich in om deze systemen te verbeteren en efficiënter te maken door het inzetten van innovatieve technologieën zoals Motion Magnification. Het doel is het verminderen van productiviteitsverlies, kosten en technische storingen door geavanceerde analyses van trillingen en bewegingen te faciliteren.
De kern van het project bestaat uit het verbeteren van de analysecapaciteiten van Motion Magnification. Dit doen we door middel van visuele en AI-gestuurde tools, die sneller en nauwkeuriger inzicht bieden in de conditie van industriële systemen. Zo dragen we bij aan de verdere digitalisering en optimalisatie van productie- en onderhoudsprocessen.
Het project levert verschillende uitkomsten op, waaronder een omschrijving van de eisen en specificaties voor het platform en de hardwareconfiguratie, gevolgd door de ontwikkeling en optimalisatie van het platform, hardware-integratie, en dataverwerkingspipeline. Daarna wordt de technologie gevalideerd in een industriële omgeving met bijbehorende feedback. Het eindproduct wordt geïntegreerd met een geoptimaliseerde Maintenance Management oplossing. De bevindingen worden samengevat in een eindrapport met aanbevelingen voor de industrie en vervolgonderzoek.

Eindrapportage

Het project richt zich op de ontwikkeling van een generiek AI-systeem voor industriële trillingsanalyse op basis van Motion Magnification (MM) en aanvullende vibratieanalyse. Motion Magnification is een computervisie-techniek waarmee subtiele, normaal onzichtbare trillingen in videobeelden worden versterkt en analyseerbaar gemaakt. In plaats van enkel deze techniek toe te passen, is gewerkt aan een geïntegreerd framework dat visuele en datagedreven analysemethoden combineert voor voorspellend onderhoud en kwaliteitscontrole.

De kern van het project is een non-invasieve aanpak zonder fysieke sensoren. Met cameragebaseerde data worden trillingen in machines zichtbaar gemaakt en geanalyseerd, waarbij de kracht zit in de hoge informatiedichtheid van video: miljoenen pixels leveren duizenden potentiële regio’s van interesse die gelijktijdig geanalyseerd kunnen worden. Dit maakt een vorm van ruimtelijke dekking mogelijk die met traditionele trillingssensoren niet haalbaar is, omdat die invasief zijn en slechts op discrete meetpunten kunnen meten. Hierdoor wordt inspectie mogelijk zonder aanpassingen aan bestaande installaties.

Technologisch is gebruikgemaakt van een edge AI-opstelling met een Nvidia Jetson Orin Nano en een Raspberry Pi camera module. Ondanks beperkte driverondersteuning is deze combinatie succesvol geïntegreerd. De camera is geoptimaliseerd tot 280 FPS (boven de gespecificeerde 120 FPS) om voldoende temporele resolutie te bereiken.

Daarnaast is een Motion Magnification-algoritme uit de literatuur op edge hardware gedeployed en is AI-inferentie geaccelereerd met TensorRT voor snel resultaat.

Binnen het lab worden meerdere praktijkonderzoeken uitgevoerd waarbij het systeem direct op industriële installaties van partners wordt getest en iteratief verbeterd op basis van feedback uit de praktijk.

Een voorbeeld is de samenwerking met Holland Mechanics, waar onderzocht wordt hoe fietsspaken non-invasief kunnen worden geanalyseerd via hogesnelheidsvideo. Trillingen van alle spaken worden gelijktijdig uit beelddata gehaald en via frequentieanalyse gekoppeld aan de natuurlijke frequentie, die direct samenhangt met de spaakspanning.
Het resultaat is een werkend edge AI-systeem voor visuele trillingsanalyse als schaalbaar alternatief voor traditionele sensoroplossingen.