masterthesis of bachelorproef

Wil je een masterthesis of bachelorproef schrijven die écht impact heeft?

Bij Vintecc bieden we onderwerpen aan die perfect aansluiten bij de nieuwste trends in softwareontwikkeling, AI en autonome systemen. We ondersteunen je met state-of-the-art technologie en de expertise van ons team, zodat jouw onderzoek niet alleen academisch sterk is, maar ook relevant voor de industrie.

Waarom je bij Vintecc je masterthesis of bachelorproef schrijft:
✔ Ondersteuning van een team van specialisten
✔ Toegang tot cutting-edge technologie en tools
✔ De kans om jouw ideeën om te zetten in real-world toepassingen

Heb jij een onderwerp in gedachten of ben je benieuwd naar onze voorstellen?

Neem contact op, dan gaan we graag in gesprek!

Hieronder kan je alvast een aantal goedgekeurde onderwerpen terugvinden:

COMPUTER VISION

1. Low-Latency Logging
   • Doelen
     • Snelle communicatie tussen processen mogelijk maken. Dit houdt in bufferen voor optimale pakketgrootte, bufferen bij communicatieonderbrekingen, fall back paden, fout afhandeling, enzovoort.
2. Sensor Fusion
   • Doelen
     • Informatie van verschillende sensoren (zichtbaar licht, ultraviolet, infrarood, radar, lidar) op elkaar in kaart brengen in 3 dimensies.
       Vergelijk vroege vs. late sensor fusion voor deep learning op de gekalibreerde invoer.
3. Learning Visual Embeddings
   • Doelen
     • Objecten opnieuw identificeren (re-ID).
       Classificatie van nieuwe klassen zonder het hele netwerk opnieuw te trainen.
4. Keypoint Detection
   • Doelen
     • Het doel van deze stage is om een Python-pakket te maken dat effectief kan trainen en afleiden op COCO-datasets met sleutelpuntannotaties.
5. GANs voor synthetische data
   • Doelen
     • Het doel van deze stage is het creëren van een workflow voor datavergroting die naadloos aansluit op een bestaand Python-pakket. Met dit pakket kunnen we eenvoudig realistisch ogende datasets maken, uitgaande van synthetische data.
6. Copy-Paste Data Augmentation
   • Doelen
     • Het doel van deze stage is om een data augmentation workflow te creëren die naadloos aansluit op een bestaand Python pakket. Met dit pakket kunnen we eenvoudig nieuwe datasets maken met echte of synthetische achtergronden of objecten met hun masks. Het zou ons ook in staat stellen om de augmentatie on-the-fly uit te voeren, tijdens de trainingsfase van deep learning.
7. 3D Deep learning op Point Clouds
   • Doelen
     • Het doel is om een Python-pakket te maken dat tools bevat om te werken met (laden & opslaan / transformeren / samplen van / visualiseren) 3D puntenwolken. Deze punten kunnen coördinaten, intensiteit, kleur, normaalvectoren, ... bevatten. Ze kunnen gestructureerd of ongestructureerd zijn.
     • Een ander belangrijk doel is het direct uitvoeren van semantische/instantie segmentatie op deze 3D puntenwolken.
   Profiel / vereiste vaardigheden
   • Opleiding: informaticastudent industrieel ingenieur of student computerwetenschappen.
   • Bedreven zijn in de programmeertaal Python (en ervaring hebben met C/C++.)
   • Achtergrondkennis over computer vision en praktische ervaring met deep learning. Solliciteer hieronder!

SIMULATION / DIGITAL TWINS

1. Tuning van fysieke parameters
   • Goals
     • Het doel van deze thesis is het onderzoeken en ontwikkelen van best practices voor het afstemmen van een virtuele fysieke simulatie op een bestaande 'tegenhanger'. Idealiter resulteert dit in een methodologie voor de aanpak van de tuning en verschillende methoden om (mogelijk) delen van deze taak te automatiseren (auto-tuning).
   • Profiel / vereiste vaardigheden
     • Elektromechanica / Mechanica / Besturing & Automatisering/...Systeemidentificatie / Besturingstechniek / Modellering / Mechatronica/...Basisvaardigheden in programmeren en softwareontwikkeling

MECHATRONICA & CONTROLS

1. Schaalbaar testframework voor Matlab/Simulink modellen
   • Bij de ontwikkeling van autonome systemen met Matlab/Simulink worden vaak herbruikbare bibliotheken gebruikt om efficiënter te werken. Deze bibliotheken bevatten essentiële functies zoals bewegingsbesturing en sensorverwerking, maar groeien al snel in complexiteit. Om stabiliteit te waarborgen en foutloze integratie in projecten mogelijk te maken, is een robuust en schaalbaar testframework noodzakelijk.
   • Deze thesis richt zich op het ontwikkelen van een flexibel testframework waarmee de correctheid van bibliotheekfuncties efficiënt geverifieerd kan worden.
   • Belangrijke doelstellingen zijn:
     • Opzetten van een schaalbare testomgeving in Matlab/Simulink.
     • Automatiseren van tests met Functional Mock-up Units (FMU’s) om simulaties sneller en onafhankelijk van Matlab uit te voeren.
     • Efficiënte testuitbreiding voor toekomstige ontwikkelingen en veranderende eisen.
   • Dit project legt de basis voor een duurzaam en herbruikbaar testproces, waarmee de betrouwbaarheid en stabiliteit van Matlab/Simulink-bibliotheken op lange termijn wordt gegarandeerd.
2. Versnelling van simulaties met Reduced Order Modelling
   • Context
     • Bij modelgebaseerde softwareontwikkeling worden fysieke systemen gesimuleerd om besturingssoftware te testen. High-fidelity simulaties vergen echter veel rekenkracht en tijd. Deze thesis onderzoekt hoe Reduced Order Modelling (ROM) en fysisch geïnformeerde neurale netwerken (PINN) de simulatiesnelheid kunnen verhogen zonder significant nauwkeurigheidsverlies.
   • Doelen
     • Versnellen van geautomatiseerd testen in CI/CD door rekenintensieve modellen te vervangen door efficiënte surrogaatmodellen.
     • Identificeren van bottlenecks in simulatietijd.
     • Verkennen van ROM- en datagestuurde technieken voor fysische modellen.
     • Evalueren van de balans tussen rekensnelheid en nauwkeurigheid.
   • Methodologie
     • Een literatuurstudie analyseert bestaande ROM- en PINN-technieken. Vervolgens worden enkele Simulink-modellen geselecteerd om geschikte ROM-methoden te testen. De nauwkeurigheid en snelheid van de surrogaatmodellen worden geëvalueerd in verschillende testscenario’s.
   • Resultaat
     • Een demonstratie van ROM en PINN, met een vergelijkende analyse van nauwkeurigheid en rekenefficiëntie voor fysische simulaties.
3. Trajectoptimalisatie voor garenspanningscontrole bij het weven van composietmaterialen
   • Context
     • Bij het weven van hoogtechnologische composietweefsels moeten inslaggarens, zoals koolstof- of glasvezels, vrij blijven van draaien of knikken. Dit wordt bereikt door de garenspanning actief te regelen via een bufferarm tussen de bobijn en het weefgetouw. De bobijn wikkelt garen af aan een constante snelheid, terwijl de bufferarm de af te leggen lengte van de garen aanpast om de spanning stabiel te houden.
     • Na elke cyclus wordt de buffercurve geüpdatet, die bepaalt hoeveel garen moet worden gebufferd. Hieruit wordt een feedforward-curve opgesteld voor de bufferarm. Problemen ontstaan wanneer de bufferarm meer garen moet bufferen dan fysiek mogelijk is, of juist te weinig. In die gevallen moet de bobijnsnelheid aangepast worden, wat leidt tot hoge koppelpieken die nadelig zijn voor zowel het weefproces als de motoren.
   • Doel
     • Deze thesis richt zich op het ontwikkelen van een real-time algoritme dat op basis van de buffercurve de feedforward-curve van zowel de bufferarm als de bobijn gecombineerd optimaliseert. Het doel is acceleratie- en koppelpieken te minimaliseren, terwijl aan alle weefbeperkingen wordt voldaan.
   • Methodologie
     • Analysefase: Studie van het huidige algoritme en literatuurstudie naar state-of-the-art optimalisatietechnieken die gelijkaardige problemen oplost.
     • Implementatiefase: Ontwikkeling, testen en valideren van het algoritme met echte gegevens. Indien succesvol en de tijd het toelaat, volgt integratie in de machinesoftware en testen op de machine zelf.