“Ik was al bijna dertig toen ik aan mijn bachelor begon”, vertelt Smets – nu bijna veertig – met een onmiskenbaar Vlaams accent. Na de middelbare school startte hij met studeren in Leuven (“zoals iedereen bij ons doet”), maar dat beviel hem niet. Hij stopte en ging aan het werk in de logistiek. “Handenwerk. Ik werkte als heftruckchauffeur, in het magazijn, in de distributie - dat soort dingen.”

Een radicale bocht

Toen zijn dertigste verjaardag naderde, begon hij zich af te vragen: wil ik dit de rest van mijn leven blijven doen? “Op je dertigste kun je nog een radicale bocht maken”, vertelt Smets. Hij schreef zich in voor de studie wiskunde aan de TU/e, en nu, tien jaar later, promoveert hij cum laude met een proefschrift op het gebied van automatische beeldverwerking. “Ik had dit tien jaar geleden nooit gedacht.”

Het was zijn begeleider, TU/e-onderzoeker Remco Duits, die hem enthousiast maakte voor geometrie en – meer specifiek - beeldverwerking. Smets leerde Duits kennen tijdens zijn bachelor-eindproject, schreef zijn masterthesis onder diens begeleiding en begon uiteindelijk ook zijn promotieonderzoek bij hem. “Ik zie mijn carrière hier niet als een aparte bachelor-, master- en PhD-fase, maar als één doorlopende periode waarin ik met Remco heb gewerkt”, zegt hij lachend. En als het aan hem ligt, blijft die samenwerking na zijn promotie voortduren. “Ik heb net gesolliciteerd voor een UD-positie (universitair docent, red.) in zijn groep.”

Veel toepassingsgebieden

Image processing, oftewel beeldverwerking, is een breed vakgebied dat zich richt op het analyseren en manipuleren van beelden. “Denk aan toepassingen zoals gezichtsherkenning om je telefoon te ontgrendelen, nummerplaatherkenning op parkeerplaatsen of allerlei veiligheidssystemen met camera’s”, legt Smets uit.

Ook in de industrie is er veel vraag naar nauwkeurige beeldanalysemethoden. “Bij de productie van complexe chips kunnen kleine fabricagefouten optreden. Die fouten willen we niet handmatig opsporen, dus proberen we dat te automatiseren”, zegt hij. Rijkswaterstaat kan met vergelijkbare technieken scheurtjes in bruggen detecteren.

Daarnaast speelt automatische beeldanalyse een cruciale rol in de medische sector, zoals bij het vroegtijdig diagnosticeren van ziektes als diabetes. “Computers moeten in staat zijn om beelden nauwkeurig te analyseren en complexe informatie, zoals de vertakkingen en kruisingen van bloedvaten op een scan, correct te interpreteren”, licht de promovendus toe.

Smets richt zich niet op concrete toepassingen, maar op de ontwikkeling van technieken die toegepast kunnen worden in diverse domeinen. “We werken aan verbeterde methodes voor automatische beeldherkenning die breed inzetbaar zijn”, zegt hij. “Technisch gezien is het detecteren van een scheurtje in een stalen brug hetzelfde als het vinden van een bloedvat in een netvlies (retina, red.).”

PDE's en neurale netwerken

Voor automatische beeldverwerking worden twee belangrijke methodes gebruikt. Ten eerste zijn er de wiskundige methodes gebaseerd op zogeheten partiële differentiaalvergelijkingen (ook wel partial differential equations of PDE’s in het kort). “Dit zijn wiskundige vergelijkingen die, wanneer je ze toepast op een beeld, een goed gedefinieerde bewerking uitvoeren”, legt Smets uit. “Deze vergelijkingen kunnen eenvoudig zijn, maar je kunt ze ook combineren om complexe beeldverwerkingsoperaties uit te voeren.”

“Het mooie van PDE’s is dat je door de vergelijkingen te bestuderen precies kunt voorspellen wat er met een beeld gebeurt, ook al heb je dat beeld nog nooit gezien”, vervolgt hij. “De wiskundige methode is daardoor zeer betrouwbaar en voorspelbaar.”

Een andere belangrijke methode is gebaseerd op neurale netwerken die getraind worden met een grote hoeveelheid data. “Het voordeel van neurale netwerken is dat je ze vrij makkelijk hele complexe taken kunt laten uitvoeren zoals objectherkenning”, zegt Smets. Door het model te trainen met duizenden foto’s, kan het leren om bijvoorbeeld alle afbeeldingen van een hond of een auto te herkennen. “Maar een nadeel is dat je hiervoor veel data van hoge kwaliteit nodig hebt, die niet altijd beschikbaar zijn, bijvoorbeeld in de medische sector.”

Daarnaast zijn neurale netwerken vaak enorm groot en vergen ze veel rekenkracht en energie. “Omdat neurale netwerken black box-modellen zijn, weet je bovendien nooit precies hoe het model tot een bepaalde conclusie komt, en dat maakt het moeilijk om de betrouwbaarheid van de resultaten te beoordelen.”

Equivariantie

In zijn onderzoek combineerde Smets de voordelen van beide methodes en ontwikkelde hij een nieuwe techniek: PDE-G-CNN. Deze methode vervangt bepaalde operaties in het neurale netwerk door PDE’s. “Het idee is dat dit gecombineerde model beter presteert dan de afzonderlijke methodes”, legt Smets uit.

Een belangrijk probleem in beeldverwerking is het principe van equivariantie. Dit betekent dat wanneer je een transformatie op een beeld toepast, zoals een verschuiving, rotatie of schaling, de output op een consistente manier moet veranderen. Smets laat een reeks foto's van dezelfde appel zien. Op de tweede foto is de appel gedraaid, en op de derde is de appel vergroot. Mensen herkennen direct dat het dezelfde appel is, maar voor een neuraal netwerk is dat niet vanzelfsprekend. “Als het model alleen foto’s van rechtopstaande appels heeft gezien, zal het de gedraaide appel niet als zodanig herkennen”, zegt Smets.