Wat is computer vision?
Computer vision is een AI-techniek waarmee software afbeeldingen en video's analyseert en er betekenis uit haalt, zoals het herkennen van objecten, teksten, gezichten of afwijkingen. Het systeem wordt getraind op grote hoeveelheden beeldmateriaal, waarna het patronen herkent in nieuwe, ongeziene beelden. Toepassingen lopen uiteen van kwaliteitscontrole in fabrieken tot automatische factuurherkenning en beveiligingscamera's die verdachte situaties signaleren.
Computer vision is de AI-techniek waarmee software beelden en video's herkent, analyseert en interpreteert. Zo kunnen systemen 'zien' wat een camera vastlegt.
Een camera legt pixels vast, maar pas computer vision geeft daar betekenis aan. Waar een mens in een oogopslag ziet dat een foto een gescheurde factuur, een defect onderdeel of een gezicht toont, moet software dat leren herkennen aan de hand van patronen in data. Dat is precies wat computer vision doet: beeldmateriaal omzetten in bruikbare informatie.
Hoe computer vision werkt
Een computer vision-model wordt getraind op een grote set afbeeldingen waarbij telkens is aangegeven wat erop te zien is. Tijdens het trainen leert het model welke combinaties van pixels, randen en vormen bij welk label horen. Na het trainen kan het model nieuwe, nooit eerder geziene afbeeldingen analyseren en daar met een bepaalde zekerheid een classificatie, locatie of eigenschap aan toekennen.
De onderliggende techniek is meestal een convolutioneel neuraal netwerk (CNN), dat een afbeelding laagsgewijs analyseert: eerst simpele kenmerken zoals randen en kleuren, daarna steeds complexere patronen zoals vormen en objecten. Recentere modellen gebruiken transformer-architecturen, vergelijkbaar met de technologie achter taalmodellen, en presteren daarmee vaak nog beter op complexe beelden.
Wat computer vision kan doen
De belangrijkste taken binnen computer vision zijn classificatie (welk object staat op de foto), objectdetectie (waar in het beeld bevindt het object zich), segmentatie (welke pixels horen precies bij welk object) en OCR, oftewel tekstherkenning in beelden. Deze bouwstenen worden gecombineerd tot concrete toepassingen: een systeem dat automatisch factuurgegevens uitleest combineert bijvoorbeeld objectdetectie met OCR.
Ook videoanalyse valt onder computer vision: bewegingsdetectie, het volgen van objecten door meerdere frames en het herkennen van gedrag, zoals een persoon die een verboden zone betreedt.
Praktische toepassingen voor bedrijven
Computer vision wordt inmiddels breed ingezet buiten techbedrijven. In productieomgevingen controleert het systeem producten op afwijkingen sneller en consistenter dan een medewerker dat kan. In de administratie haalt het automatisch gegevens uit facturen, bonnen en contracten, iets wat goed te combineren is met de aanpak uit het artikel over AI-documentverwerking voor facturen, offertes en contracten. In de retail categoriseert het productfoto’s automatisch, en in de beveiliging signaleert het ongebruikelijke situaties op camerabeelden.
Het gemeenschappelijke kenmerk van deze toepassingen is dat ze een repetitieve, visuele beoordelingstaak overnemen die voorheen menselijke aandacht vereiste.
Grenzen en aandachtspunten
Computer vision is geen feilloze technologie. Modellen presteren slechter bij afwijkende belichting, ongebruikelijke hoeken of beeldmateriaal dat sterk verschilt van de trainingsdata. Ook vooringenomenheid in trainingsdata kan tot systematische fouten leiden, bijvoorbeeld als een model onvoldoende voorbeelden heeft gezien van bepaalde productvarianten of situaties.
Voor bedrijfskritieke toepassingen, zoals kwaliteitscontrole of toegangsbeveiliging, is het verstandig om een menselijke steekproefcontrole in te bouwen totdat de betrouwbaarheid van het model over langere tijd is aangetoond.
Onze tip: begin met een kant-en-klare computer vision-API van een cloudplatform in plaats van zelf een model te trainen. Voor de meeste bedrijfstoepassingen, zoals tekstherkenning of objectdetectie, is een voorgetraind model al nauwkeurig genoeg en bespaar je maanden ontwikkeltijd.
Veelgestelde vragen
Wat is het verschil tussen computer vision en beeldherkenning?
Beeldherkenning is eigenlijk een onderdeel van computer vision, gericht op het classificeren of labelen van een afbeelding, bijvoorbeeld 'dit is een kat'. Computer vision omvat een breder takenpakket: naast classificatie ook objectdetectie (waar bevindt zich iets in het beeld), segmentatie (welke pixels horen bij welk object) en het volgen van beweging in video. Beeldherkenning is dus één toepassing binnen het bredere vakgebied computer vision.
Welke technologie zit er achter computer vision?
Moderne computer vision draait vrijwel altijd op convolutionele neurale netwerken (CNN's) of, bij recentere systemen, transformer-architecturen die oorspronkelijk voor taal zijn ontwikkeld. Deze modellen worden getraind op datasets met miljoenen gelabelde afbeeldingen, waardoor ze leren welke visuele patronen bij welke objecten of situaties horen. Cloudplatforms zoals Azure AI Vision en Google Cloud Vision bieden kant-en-klare modellen aan zodat bedrijven niet zelf hoeven te trainen.
Heb je veel data nodig om computer vision toe te passen?
Dat hangt af van de aanpak. Een eigen model trainen vanaf nul vraagt duizenden tot miljoenen gelabelde afbeeldingen. Voor de meeste bedrijfstoepassingen is dat niet nodig: je gebruikt een voorgetraind model (bijvoorbeeld voor tekst- of objectherkenning) en past dat met een beperkte set eigen voorbeelden aan, een techniek die transfer learning heet. Daarmee kun je met enkele honderden voorbeelden al bruikbare resultaten behalen.
Is computer vision alleen bruikbaar voor grote bedrijven?
Nee. Cloudplatforms bieden kant-en-klare computer vision-API's aan die per aanroep worden afgerekend, zonder dat je zelf een model hoeft te bouwen of te onderhouden. Een mkb-bedrijf kan hiermee bijvoorbeeld automatisch gegevens uit facturen halen, productfoto's categoriseren of eenvoudige kwaliteitscontroles uitvoeren, zonder een datateam in dienst te hebben.