Heb je er genoeg van dat je tegen je plastic afvalcontainers aankijkt als je lekker in de tuin zit? Dat snappen we helemaal! Lees hier hoe je een houten opberghok maakt.

Gereedschap

* Rolmaatje
* Potlood
* Boormachine met houtboor
* Schroevendraaier

Materialen

* Planken van steigerhout (10 cm breed)
* Balken van geïmpregneerd vurenhout (10 x 10 cm)
* Schroeven 8 cm
* Schroeven 4 cm
* 8 Scharnieren
* 4 Handvatten

De specifieke maten voor de diverse planken en balken vind je verderop in het artikel.

Maat van jouw kliko

In Nederland zijn de meeste rolcontainers 140 of 240 liter. Er zijn verschillende producenten van de afvalcontainers, dus de exacte afmetingen zijn niet allemaal hetzelfde. Voor deze handleiding bouwen we een opberghok voor twee afvalcontainers van 240 liter. Wij gaan we uit van de volgende maten, maar meet voordat je begint jouw kliko’s op voor de exacte maat:
* Breedte: 58 cm
* Diepte: 73 cm
* Hoogte: 110 cm

©Nicolette Wollentin

Maak een plan

De meeste huishoudens hebben twee kliko’s, dus daar richten we deze handleiding op. Komt jouw ombouw tegen een muur aan te staan, dan hoef je niet per se een achterwand te bouwen. Denk er verder aan dat er aan de bovenkant een deksel komt en aan de voorkant deuren. Teken voordat je begint een helder plan met alle maten. We nemen je stap voor stap door dat proces heen.

De bedoeling is dat de kliko’s netjes in de ombouw komen te staan, maar dat hoeft niet op de millimeter nauwkeurig. Tel een paar centimeter bij de hoogte, breedte en lengte van je kliko op. In deze handleiding kiezen we voor een hoogte van 115 cm, omdat de kliko’s 110 cm hoog zijn.

©Albert

Zolang je een goed plan maakt, kun je je creativiteit de vrije loop laten.

Diepte van de ombouw en breedte planken

Het is zoals gezegd geen probleem wanneer de ombouw een paar centimeter breder of dieper is dan nodig. We raden je aan om de planken die je uitzoekt een rol te laten spelen in de afmetingen. Hierdoor hoef je ze niet over de complete lengte doormidden te zagen.

Een voorbeeld: je kliko heeft een diepte van 73 centimeter. Een mooie maat voor het opberghok ligt dan ongeveer tussen de 77 en 81 centimeter. Kies je voor steigerplanken met een breedte van 10 centimeter? Maak het hok dan 80 centimeter diep en gebruik 8 planken.

Breedte van de ombouw

Ons opberghok krijgt aan de voorzijde twee deuren. Een enkele kliko is 58 centimeter breed. Vanaf 116 centimeter is het dus theoretisch mogelijk om de containers erin te proppen. Maar wat extra ruimte in de breedte kan zéker geen kwaad. Tel minstens 10 centimeter bij de breedte op voor een totaal van minimaal 126 centimeter.

Frame van de ombouw

De complete constructie wordt bij elkaar gehouden door een stevig frame: een aantal balken die een geraamte vormen. Op iedere hoek hebben we voor de hoogte 4 keer een verticale balk van 115 cm nodig.

Tussen de verticale staanders komen bovenaan 4 balken om ze aan elkaar te verbinden en onderaan ook. We hebben de diepte van de kast al bepaald, namelijk 80 centimeter. Dat betekent niet dat de balken van voor naar achter 80 centimeter zijn. Want deze komen tussen de verticale staanders in. De breedte van een staander moet je er dus 2 keer vanaf halen.

In ons plan gebruiken we geïmpregneerde balken van vurenhout van 5 bij 5 cm. Voor een kast met een diepte van 80 cm heb je dus een balk van 70 cm nodig (80 – 2 x 5). Voor de stevigheid plaatsen we ook een balk precies in het midden. Je hebt dus 6 balken van 70 centimeter nodig voor de zijkanten van het frame van de opbergkast.

©Christine Bird

Achterkant van het frame

Het opberghok moest minstens 126 cm breed zijn. We nemen direct de deuren in overweging voor ons plan. Die maken we namelijk ook van dezelfde planken met een breedte van 10 cm. Voor het openen en sluiten is het handig om in totaal 2 cm speling te bewaren. Daarom kiezen we voor een breedte van 132 centimeter. De deuren zijn dan namelijk per stuk 60 centimeter breed en dus weer precies 6 planken. Ze vallen namelijk tussen de staande balken op de hoek en daarom trekken we wederom 10 cm van het totaal of. We houden 122 centimeter over, dat is de lengte van de balken aan de achterkant.

De deksels van het opberghok

Dit opberghok trekt de deksel van je kliko mee als je de kast opent. Voor de deksels slaan we 1 plank vast op het frame aan de achterkant, over de gehele lengte. Daar bevestigen we uiteindelijk de scharnieren aan. De voorkant van de klep valt halverwege op de voorste dwarsligger. De kast is in totaal 80 cm diep. Daarom heeft een deksel een diepte van 80 – 10 – 5 = 65 cm. We kiezen voor een breedte van 65 cm. In dit geval ontkomen we er niet aan om 1 plank door de lengte te zagen.

De maten van het opberghok

Dat was een lang verhaal! Daarom zetten we alles even op een rij. De hoogte van dit hok is 115 centimeter. Voor de breedte kiezen we 132, iedere deur is 60 cm breed en de kleppen 65 cm. De opbergkast heeft een diepte van 80 cm.

Extra onderdelen

Vrijwel alle planken bevestig je rechtstreeks aan het frame. Maar bij de deuren en deksels is dat niet mogelijk. Die verbind je met 2 dwarslatten. Die komen aan de binnenkant, dus die zie je van buiten niet. De latten moeten net niet tot het einde komen. Dus 2 dwarslatten van 55 cm is prima. Bij de deksels doen we hetzelfde en kiezen we dwarslatten met een lengte van 60 cm.

Lees ook: Schroeven, pluggen, bouten en moeren: even je kluskennis bijspijkeren!

Balken voor het frame

* Balken (5 x 5 cm) op de hoeken: 4 x 115 cm
* Dwarsbalken (5 x 5 cm) achterkant: 3 x 122 cm
* Balken (5 x 5 cm) aan de zijkanten: 6 x 70 cm

Houten bekleding

* Achterkant: 13 steigerplanken (10 cm) van 115 cm
* Zijkant: 8 steigerplanken (10 cm) van 115 cm (x 2)
* Deuren: 6 steigerplanken (10 cm) van 110 cm + 2 x 55 cm (x 2)
* Deksel: 6 ½ steigerplanken (10 cm) van 65 cm + 2 x 60 cm (x 2) + 1 x 132 cm

Overweging: palen in de grond

Je kunt dit opberghok gewoon op een stenen ondergrond zetten. Een andere optie is om de balken op de hoeken te verankeren in de grond. Deze beslissing maak je helemaal zelf. Houd er wel rekening mee dat de balken ongeveer 1/3 van de totale lengte de grond in geslagen moeten worden wanneer je kiest voor verankering.

Het juiste hout kiezen

De containerombouw staat buiten. Daarom kiezen we logischerwijs voor een houtsoort dat bestand is tegen de regen. Verder hoeft het hout niet aan heel veel voorwaarden te voldoen, de ombouw is tenslotte geen dragende constructie. Steigerhout is populair en zeer geschikt, en elke vorm van geïmpregneerd hout voldoet.

Om geld te besparen kun je kiezen voor hout van pallets, maar dat gaat uiteraard minder lang mee.

©Anton Gepolov

Alles op maat zagen

Voor dit doe-het-zelf project moet er behoorlijk wat gezaagd worden. We raden je aan om dit in ieder geval niet met een handzaag te doen. De makkelijkste optie is het hout laten zagen bij de bouwmarkt waar je het koopt. Die doen dat vaak voor een zacht prijsje of in sommige gevallen zelfs helemaal gratis. Het is belangrijk dat jouw plan voor het opberghok helemaal klopt en compleet is.

Heeft jouw bouwmarkt geen zaagafdeling? Gebruik dan het liefst een elektrische afkortzaag.

Het frame in elkaar zetten

Begin met het frame. De verticale staanders op de hoeken komen aan de buitenkant. De overige balken bevestig je dus aan de binnenkant.

Kies voor lange schroeven (ongeveer 8 cm) en gebruik er minstens 2 bij iedere verbinding. Boor alles voor met een houtboor met een iets kleinere diameter dan de schroeven.

Het frame bekleden

We beginnen met de wanden en doen de deksels en deuren daarna. Zet alle planken voor de bekleding vast met schroeven (ongeveer 4 cm lang). Je hebt nu een hok waarvan de voor- en bovenkant nog open zijn.

©Antonio Diaz

De deuren en deksels maken

We zetten de deuren eerst in elkaar voor we ze vastmaken aan de kast. Leg de 6 planken naast elkaar op de grond. Plaats er 5 centimeter van de boven- en onderkant een dwarslat tegenaan. Doe hetzelfde met de deksels en plaats ook de extra plank over de achterkant van het opberghok.

©Serhii

De deksels bevestigen

Sla de lange plank over de dwarsligger aan de achterkant. Bevestig hier eerst de scharnieren, 2 per deksel. Leg de deksel op de kast en controleer of alles past voordat je de klep vastmaakt aan de scharnieren.

De deuren vastmaken

Voor iedere deur gebruiken we wederom scharnieren. Ga op dezelfde manier te werk als bij de deksels. Nadat je ze vastzet vallen de deuren naar binnen omdat ze niet worden tegengehouden. Dat los je op door bovenaan een klein blokje te bevestigen om ze tegen te houden, precies waar de deuren samenkomen.

Het hok afwerken

De basis van het opberghok is klaar. Het is handig dat de deksels van de kliko’s opengaan wanneer je de kleppen aan de bovenkant opent. Met een paar haken en een touw of ketting is dat eenvoudig te realiseren. Met een schuifslot zorg je ervoor dat de deuren mooi dicht blijven. Kies verder voor een paar mooie handvatten en klaar is jouw opberghok voor je kliko’s!

Dagelijks hoor en lees je over artificiële intelligentie (AI). Daarbij worden vaak termen als neuraal netwerk en deep learning gebruikt. In dit artikel vertellen je hier meer over en gaan we ook zelf met AI aan de slag. We doen dit via TensorFlow Playground en Google Teachable Machine.

Het begrip artificiële intelligentie verwijst naar de mogelijkheid om zelfstandig kennis op te nemen, problemen op te lossen en beslissingen te nemen, net zoals een mens. Het woord ‘artificieel’ duidt erop dat deze vorm van intelligentie door mensen is ontworpen en door computers of machines wordt uitgevoerd en dus niet door een biologisch brein.

Veel AI-toepassingen, zoals beeld- en spraakherkenning en taalverwerking, maken hierbij gebruik van zogenoemde neurale netwerken. Deze zijn namelijk uitstekend geschikt voor het herkennen van complexe patronen in grote hoeveelheden ongestructureerde data.

Zo’n digitaal neuraal netwerk (DNN) is gebaseerd op de werking en structuur van het menselijke brein, maar het blijft niet meer dan een abstracte vereenvoudiging. Het menselijke brein is tenslotte (vooralsnog) aanzienlijk complexer, flexibeler en vooral ook energiezuiniger met een maximaal verbruik van circa 20 watt. Ons brein is bovendien superieur in creativiteit, contextueel begrip en emotionele verwerking. 

Digitaal neuraal netwerk

Een digitaal neuraal netwerk (DNN) werkt net als het biologisch brein met neuronen (zie bovenstaand tekstkader). Alleen in een DNN gaat het hierbij om wiskundige rekeneenheden die informatie verwerken. Elk neuron ontvangt invoer, vermenigvuldigt deze met een gewicht om de relevantie te bepalen en telt daar een compensatiewaarde, de zogeheten bias, bij op. Samen vormen deze gewichten en biases de ‘parameters’. GPT-4 bevat er naar schatting 1,7 biljoen.

De informatie stroomt door een of meer verborgen lagen tussen de invoer- en uitvoerlaag. Elke verborgen laag verwerkt de gegevens verder, waardoor complexere patronen worden herkend. Hiervoor gebruikt elk neuron een zogeheten activatiefunctie, die bepaalt of en in welke mate de uitvoer wordt doorgegeven. Zonder activatiefuncties zou het netwerk alleen eenvoudige wiskundige verbanden leren, zoals rechte lijnen, terwijl het nu ook met complexe, gebogen of gelaagde patronen overweg kan.

Een eenvoudig digitaal neuraal netwerk, met één verborgen laag.

Sturing en zelflering

Mensen sturen het DNN indirect aan door het bepalen van het aantal lagen, het aantal neuronen per laag en het type activatiefunctie. Verder kiezen ze hoe het netwerk moet leren, bijvoorbeeld door te bepalen hoeveel data het ziet en hoe complex de gegevens zijn, hoe vaak het leert en hoe groot de aanpassingen mogen zijn. Tijdens deze training worden de parameters automatisch aangepast door het netwerk om optimaal patronen te herkennen en voorspellingen te doen.

Vereenvoudigd komt het hierop neer: nadat het netwerk een voorspelling heeft gedaan, wordt berekend hoe ver deze afwijkt van de juiste waarde, waartoe het netwerk tijdens de training toegang heeft. Deze afwijking wordt vervolgens teruggestuurd door het netwerk, van de uitvoer- naar de invoerlaag. Onderweg berekent het netwerk hoeveel elke verbinding (gewicht) en extra waarde (bias) heeft bijgedragen aan de fout. Daarop past het netwerk de parameters aan om de fout kleiner te maken. Dit proces herhaalt zich vele malen, zodat het netwerk steeds accurater wordt. Dit principe wordt ‘backpropagation’ genoemd (letterlijk: achterwaartse terugkoppeling) en maakt dat het netwerk grotendeels zelflerend is.

©Vallabh soni - stock.adobe.com

Backpropagation: het netwerk stuurt zelf bij op basis van de vastgestelde afwijking.

TensorFlow Playground

Spelen met werking DNN

Het wordt interessanter wanneer je zelf experimenteert met de principes en werking van een DNN. Ga naar https://playground.tensorflow.org. Hier herken je de lagen met neuronen: een invoerlaag, twee verborgen lagen en een uitvoerlaag. Bij DATA is al een specifieke dataset geselecteerd. Zodra je op Run (het pijltje) klikt, probeert het netwerk het patroon in de gekozen dataset te herkennen. Het resultaat verschijnt onder Output.

Hoe langer je het proces laat lopen, hoe hoger het aantal trainingscycli (hier epochs genoemd) en hoe accurater de ruimte-indeling of dataclassificatie in de output: blauwe achtergrond voor blauwe punten en oranje achtergrond voor oranje punten. Omdat het standaard om een eenvoudig datapatroon gaat, zal de Training loss waarschijnlijk 0.000 zijn. Dit betekent dat het netwerk het patroon vrijwel meteen correct herkent op basis van de ingestelde parameters, zodat er nauwelijks of geen backpropagation nodig is.

Met de standaardinstellingen kan dit neurale netwerk moeiteloos overweg.

Verdere aansturing

Je kunt het netwerk flink uitdagen door enkele instellingen aan te passen. We geven je enkele mogelijkheden die zeker leerzaam kunnen zijn. Activeer in de invoerlaag bijvoorbeeld alleen de bovenste eigenschap X1. Het netwerk classificeert dan uitsluitend op basis van de horizontale posities van de punten. Voor de derde dataset (linksonder) kan dit voldoende zijn, maar voor andere niet. Probeer het gerust zelf uit. Je zult ook merken dat hoe meer features je inschakelt, hoe meer informatie het netwerk gebruikt en hoe beter het complexe patronen kan herkennen.

Verhoog eens Noise (ruis) met de schuifknop om het leerproces te bemoeilijken. De datapunten worden hierdoor minder gestructureerd, wat je meteen terugziet in de Output. Verminder nu eens het aantal neuronen (via de minknop boven elke laag) om het netwerk minder complexe beslissingen te laten nemen. Minder verborgen lagen verlaagt eveneens de capaciteit om diepere datapatronen te leren.

Nog steeds te makkelijk? Verlaag dan de Learning rate naar bijvoorbeeld 0.0001. Een lagere leerratio betekent tenslotte kleinere stappen bij het aanpassen van de gewichten (wat zich hier visueel vertaalt als minder snel aangepaste lijndiktes tussen de neuronen), waardoor het netwerk langzamer leert.

Experimenteer gerust verder met andere, ook meer geavanceerde instellingen om het netwerk – en jezelf – uit te dagen.

Met deze instellingen wordt de training van het neurale netwerk nagenoeg onmogelijk.

Deep learning

Een DNN is een van de meest effectieve methoden of algoritmen binnen machine learning (ML), waarbij computers leren van data zonder ze expliciet te moeten programmeren. Het is vooral geschikt voor complexe taken zoals beeldherkenning, spraakherkenning en taalverwerking.

Eenvoudige ML-modellen hebben meestal een of enkele verborgen lagen. Bij een complexere architectuur met meerdere verborgen lagen, die in staat is complexere patronen en relaties te herkennen, spreekt men van deep learning (DL). Deep learning is daarmee een subonderdeel van machine learning, al is het onderscheid niet altijd scherp te maken.

Bij DL gebruikt het neurale netwerk logischerwijze meer parameters, wat meteen ook een grotere hoeveelheid data vereist om het effectief te kunnen trainen. Meer data en parameters vereisen uiteraard ook meer rekenkracht, waarvoor vaak talrijke gpu’s (Graphics Processing Units) of gespecialiseerde processors als Googles TPU’s (Tensor Processing Units) nodig zijn.

Een Google TPU op een PCIe-kaart.

Google Teachable Machine

Experimenten met AI

Het zal je nauwelijks verbazen dat je, behalve geavanceerde kennis, frameworks als TensorFlow of PyTorch nodig hebt om een DL-model te ontwikkelen. Wil je hier desondanks toch mee experimenteren, dan biedt Googles Teachable Machine een uitstekende omgeving. Dit project heeft namelijk een interface waarmee je zonder technische expertise toch een AI-model kunt trainen.

Het platform is gebaseerd op DL-technieken en gebruikt neurale netwerken om patronen en kenmerken in diverse datasets te herkennen. Het werkt met voorgetrainde modellen, maar je kunt ook eigen gegevens toevoegen om een aangepast model te trainen. Na training kun je het model exporteren in verschillende formaten en inzetten in een web-app, mobiele app of op toestellen als Raspberry Pi, Arduino of IoT-apparaten.

Via deze GitHub-pagina vind je talrijke leuke projecten met Teachable Machine (van Bananameter tot Snake Game), evenals tutorials. Maar laten we nu vooral zelf aan de slag gaan met een bescheiden project.

Dit model heeft meteen door dat deze banaan overrijp is.

Starten met project

Surf naar https://teachablemachine.withgoogle.com. Hier leer je een computer trainen om je eigen afbeeldingen, geluiden en houdingen te herkennen. Klik op Aan de slag om een nieuw project te starten en kies uit drie modelopties: Projectafbeelding, Audioproject of Project met houdingen.

Wij nemen het eerste model als voorbeeld. Dit opent een venster waarin je kunt kiezen tussen een Model voor standaard afbeelding (kleur, 224 × 224 pixels) of een Model voor ingesloten afbeelding (grijswaarden, 96 × 96 pixels). Dit laatste, een embedded model, is geschikt voor microcontrollers. Wij kiezen hier voor het wat grotere standaardmodel.

Teachable Machine laat je uit drie grote trainingsmodellen kiezen.

Dataset en klassen aanmaken

Je komt nu terecht op een webpagina waar je eerst je dataset moet aanmaken. In dit geval bestaat deze uit afbeeldingen. Je deelt deze op in twee of meer categorieën, die je ook labelt. Teachable Machine heeft standaard twee categorieën (klassen), maar via +Een klasse toevoegen kun je eenvoudig meer klassen toevoegen.

Het aantal klassen dat je nodig hebt, hangt af van je project. Voor het onderscheiden van bijvoorbeeld QR-codes en zebrapatronen volstaan twee klassen (QR en Zebra). Wil je echter overrijpe, rijpe en rauwe bananen classificeren, dan heb je er minstens drie nodig. Zorg eerst dat het juiste aantal klassen beschikbaar is. Via de knop met drie stippen verwijder je desnoods overtollige klassen. Klik bij elke klasse op het potloodicoon en geef de categorie een zinvolle naam.

Daarna voeg je data toe aan elke klasse via de knop Uploaden of Webcam. Bij gebruik van de webcam moet je de pagina toegang geven tot de aangekoppelde camera. Door op Ingedrukt houden om op te nemen te klikken, stuur je continu snapshots naar Teachable Machine. De afbeeldingen verschijnen vervolgens in de betreffende klasse.

Vul je dataset met voldoende en gevarieerde afbeeldingen, via webcam en/of uploads.

Trainen en testen

Zodra je voldoende en gevarieerde data hebt toegevoegd, kun je het AI-model trainen. Klik op Model trainen om direct te starten of pas eerst enkele instellingen aan via het pijlknopje bij Geavanceerd. Hier kun je Tijdvakken, Batchgrootte en Leersnelheid aanpassen, vergelijkbaar met Epochs, Batch size en Learning rate in TensorFlow Playground. Klik op het vraagteken voor meer uitleg. Bij Geavanceerde opties kun je in een apart venster interessante statistieken over het trainingsproces bekijken. Na afloop verschijnt de melding Model getraind.

Klik rechts op Voorbeeld bekijken, zet Invoer op AAN en kies of je via Webcam of Bestand data wilt aanleveren. Wij kozen voor Webcam en testten met verschillende afbeeldingen van QR-codes en zebra’s. Bij Uitvoer toont Teachable Machine een percentage dat de zekerheid van de classificatie weergeeft.

Een QR-code op de rug van een zebra: daar heeft Teachable Machine niet van terug.

Export

Als alles goed werkt en je het model buiten de Teachable Machine-omgeving wilt gebruiken, klik je op Model exporteren. Kies voor Tensorflow.js, selecteer Downloaden en klik op Mijn model downloaden. Pak het gedownloade zip-bestand uit in een lege submap \my_model. Deze bevat een drietal bestanden, maar niet je trainingsdata. Dit komt doordat de neurale netwerkarchitectuur, geoptimaliseerde gewichten en modelconfiguratie kunnen volstaan voor nieuwe voorspellingen.

Ga vervolgens naar het tabblad Javascript, klik op Kopiëren en plak de code in een teksteditor, zoals Kladblok of Notepad++. Sla dit op als een html-bestand in de map net boven de submap \my_model.

Om lokaal te kunnen testen zonder browserfoutmeldingen zet je eerst een eenvoudige webserver op. Wij gebruikten de gratis Abyss Web Server (voor Windows, macOS en Linux). Plaats het html-bestand samen met de submap \my_model in de standaardmap C:\Abyss Web Server\htdocs. Dubbelklik erop om het in je browser te starten. Als het goed is, kun je nu meteen je AI-model testen. Succes.

Je kunt het model bijvoorbeeld testen via een lokale webserver.

Bij ID.nl zijn we gek op producten waar je niet de hoofdprijs voor betaalt. Een paar keer per week speuren we daarom binnen een bepaald thema naar zulke deals. Ben je op zoek naar een goede bluetooth-speaker voor mee op vakantie? Wij zochten vijf modellen voor je uit voor minder dan 90 euro.

Een draagbare bluetooth-speaker is superhandig als je graag muziek luistert, waar je ook bent. Je koppelt ze in een paar seconden aan je telefoon of tablet, en je kunt meteen je favoriete playlist afspelen – zonder gedoe met kabels of ingewikkelde installatie. Gewoon aanzetten, verbinden en gaan met die beat. Wij zochten vijf modellen voor buiten voor je op, voor minder dan 90 euro.

JBL FLIP 6

Deze Flip 6 van JBL neem je makkelijk overal mee naartoe, maar produceert ondanks zijn compacte formaat toch flink wat geluid. Hij is klein genoeg om in je tas te gooien, maar als je hem aanzet, komt er verrassend veel bas en helderheid uit. Perfect voor op het strand, in het park of gewoon thuis op de keukentafel. Hij kan tegen een stootje – letterlijk – en is helemaal waterdicht. Dus regen of zwembad? Geen probleem. De batterij gaat zo'n 12 uur mee, dus je komt wel een dagje door. En heb je een vriend die ook een JBL-speaker heeft? Dan kun je ze koppelen voor dubbel zoveel geluid.

💪 Gewicht: 941 gram
🌊 Waterdicht: IP67
🔊 RMS-vermogen: 10 watt
🔋 Speelduur: 12 uur

Marshall Willen

De Marshall Willen valt op: niet alleen qua geluid, maar ook door z'n iconische rock-'n-roll-uiterlijk. Hij past makkelijk in je jaszak en maakt indruk met z'n kraakheldere geluid. Ondanks z'n formaat krijg je verrassend veel punch. De accu gaat gerust een hele dag mee en je kunt 'm gewoon meenemen onder de douche of in de regen – hij is namelijk waterdicht. Wat ook fijn is: hij heeft een handige clip waarmee je 'm ergens aan kunt hangen. Ideaal voor onderweg of op de fiets.

💪 Gewicht: 476 gram
🌊 Waterdicht: IP67
🔊 RMS-vermogen: 10 Watt
🔋 Speelduur: 15 uur

Sony ULT Field 1

De Sony ULT Field 1 is compact, makkelijk te dragen en zit verrassend goed in elkaar. Wat echt opvalt is de bas: lekker diep en vol. En als je dat niet genoeg vindt, zet je gewoon de ULT-knop aan voor nog wat extra power. Hij is water- én stofdicht, dus je hoeft 'm niet te sparen. De batterij houdt het een uur of 12 vol, wat prima is voor een dagje buiten. Gewoon een fijne, robuuste speaker die doet wat je nodig hebt.

💪 Gewicht: 650 gram
🌊 Waterdicht: IP67
🔊 RMS-Vermogen: 30 Watt
🔋 Speelduur: 12 uur

Ultimate Ears WONDERBOOM 4

De WONDERBOOM 4 is klein, rond en vrolijk, maar klinkt alsof-ie twee keer zo groot is. Zet hem in het midden van de kamer of je picknickkleed en iedereen hoort even goed wat er speelt, dankzij 360° geluid – en dat werkt verrassend goed. Hij is waterdicht én kan drijven, dus hij mag mee in bad of op een bootje, zolang je 'm maar niet lang onder water houdt. De batterij gaat ongeveer 14 uur mee, en als je er twee hebt, kun je stereo afspelen. Kortom: klein ding, groot geluid, nul zorgen.

💪 Gewicht: 420 gram
🌊 Waterdicht: IP67
🔊 RMS-Vermogen: niet opgegeven
🔋 Speelduur: 14 uur

Denver BTG-615

Denver is misschien nog niet zo bekend als de grote merken, maar deze 15 Watt BTG-615 verrast zeker. Voor een speaker onder de 50 euro krijg je een stevig geluid en een leuke lichtshow dankzij de ingebouwde leds. Perfect voor feestjes in je woonkamer of buiten op het balkon. Hij is spatwaterdicht, dus een beetje regen overleeft-ie wel. De batterij gaat zo'n 5 uur mee - dat is wel een stuk minder dan de andere hier besproken modellen, maar in principe voldoende voor een middagje muziek. En met een handvat bovenop neem je hem zo mee. Geen poespas, gewoon een leuke speaker die doet wat je verwacht.

💪 Gewicht: 2 kg
🌊 Waterdicht: IPX5
🔊 RMS-Vermogen: 15 Watt
🔋 Speelduur: 5 uur