Beeldmodellen die tellen, inspecteren en herkennen onder echte omstandigheden, bewaakt en bijgehouden na livegang.
Vertrouwd door toonaangevende organisaties
Computer vision is de tak van AI waarmee software beelden en video interpreteert: objecten vinden, tellen, indelen of precies afbakenen. Data Science Lab ontwikkelt computer vision-toepassingen voor organisaties die nu met het blote oog tellen, keuren of controleren, van camera en labelen tot de koppeling met je systemen en het beheer.
Bij GVB werden passagiers in de voertuigen met de hand geteld: arbeidsintensief, foutgevoelig en steeds een momentopname. In een fabriek keurt een kwaliteitsmedewerker aan het eind van de dienst steekproefsgewijs; wat hij mist, merkt de klant. Een camera met een model kan zulk werk continu doen, mits het model de echte situatie aankan.
Een standaardmodel op een paar mooie foto's kan een overtuigende demo opleveren. In productie gaat het mis op wat in die foto's ontbrak: tegenlicht, reflecties, een vuile lens, een camera die na onderhoud anders hangt of een nieuw product. Trainingsbeelden moeten daarom de echte omgeving weerspiegelen, met verschillende tijdstippen, seizoenen, weersomstandigheden en kijkhoeken.
Een computer vision-project begint bij de plek waar de camera hangt en de beslissing die beter moet, niet bij het model. Het hoort bij de AI-toepassingen die we bouwen.
Een detectiemodel zet een kader om elk object dat het herkent: een persoon, een voertuig, een pallet. Door elk object over opeenvolgende beelden te volgen, tel je wat er passeert of aanwezig is, zonder dat iemand de beelden hoeft te bekijken.
Bij classificatie krijgt het hele beeld een label, zoals goedgekeurd of afgekeurd. Voor de Floating Farm zetten we beeldclassificatie in om inzicht te krijgen in het voerproces. Labelen is eenvoudiger dan bij detectie, maar het model zegt niet waar iets zit.
Segmentatie bakent per pixel af wat bij een object hoort. Dat is nodig als vorm of oppervlakte telt, zoals bij de omvang van een beschadiging. Het labelen is bewerkelijker, omdat iemand de contour precies moet intekenen.
Resolutie, kijkhoek, belichting en beeldfrequentie bepalen wat een model kan zien. Tegenlicht, reflecties, onscherpte en nachtbeelden horen daarom in de trainingsdata. Soms levert een extra lamp of een andere camerapositie meer op dan een zwaarder model.
Een model leert van gelabelde voorbeelden. We schrijven instructies voor randgevallen, zoals half bedekte of afgesneden objecten, en laten twijfelgevallen door meer mensen beoordelen. Bij detectie moet elk object gelabeld zijn; een half gelabeld beeld leert het model het verkeerde.
Op een apparaat bij de camera, edge genoemd, verwerk je beelden lokaal en stuur je alleen tellingen of meldingen door. Dat scheelt bandbreedte, werkt offline en houdt beelden op locatie. De cloud biedt meer rekenkracht, maar dan gaan de beelden over de lijn.
Beschrijf de plek en de beslissing. We beoordelen samen of computer vision het juiste middel is.
We leggen vast welke beslissing beter moet, wat het model daarvoor moet zien en welke fout erger is: een gemiste detectie of een vals alarm.
We verzamelen beelden van de echte camera's, op verschillende tijdstippen en bij wisselend licht. Waar nodig adviseren we over camerapositie, lens of verlichting.
Met heldere labelinstructies bouwen we een trainingsset en een aparte testset met de lastige situaties, die het model tijdens het trainen niet ziet.
We meten precisie (hoeveel meldingen terecht zijn) en recall (hoeveel echte gevallen het model vindt) per omstandigheid, zoals dag en nacht.
We zetten het model neer waar het past bij bandbreedte, privacy en beheer, en sturen de uitkomst naar het systeem waarin mensen werken.
Na livegang volgen we de uitkomsten en beoordeelt een medewerker steekproeven. Zo zien we drift aankomen en hertrainen we met nieuwe, gelabelde beelden.
Zo leuk om vanaf het begin betrokken te zijn bij dit Data for Good project. Een end-to-end dataoplossing, van het zelf ophangen en installeren van de camera’s tot aan de implementatie van ons computer vision model.
Zodra er mensen herkenbaar in beeld zijn, verwerk je persoonsgegevens en geldt de AVG. Hangen de camera's op de werkvloer, dan heb je een grondslag nodig, vaak een gerechtvaardigd belang, informeer je medewerkers en moet de ondernemingsraad of personeelsvertegenwoordiging instemmen. Beelden gebruiken om te controleren hoe medewerkers hun werk doen, mag niet. Gezichtsherkenning is in de regel verboden, behalve bij een wettelijke uitzondering, en de AI-verordening verbiedt emotieherkenning op de werkplek en in het onderwijs, behalve om medische of veiligheidsredenen. Bij stelselmatige en grootschalige monitoring van openbaar toegankelijke ruimten is een DPIA verplicht.
Daarom loont een ontwerp waarin zo min mogelijk persoonsgegevens ontstaan: waar het kan verwerken bij de camera, alleen tellingen opslaan en geen beelden bewaren als dat niet nodig is. Bij GVB worden de beelden van de veiligheidscamera's niet bekeken of gedeeld, maar alleen door het model geanalyseerd. Of jouw toepassing mag en op welke grondslag, beoordeelt je privacy officer of jurist.
Een model kan in de praktijk anders presteren dan op de testset, en dat verschuift: seizoenen, nieuwe producten en verplaatste camera's veranderen de beelden die binnenkomen. Dat heet drift. De ingebouwde monitoring van Azure Machine Learning is gericht op tabeldata, dus voor beelden richten we eigen signalen in, zoals de verdeling van betrouwbaarheidsscores en het aantal detecties per uur. Voor Rijkswaterstaat bouwden we een generieke monitoringpackage voor drift- en outlierdetectie van modellen in productie.
Iedere organisatie kan een AI-pilot starten. De uitdaging zit in de stap daarna. AI onderdeel maken van de organisatie. Dat is waar Data Science Lab het verschil maakt.
Lees meer over ons
10+
8,7
200+
Computer vision is de tak van AI die software beelden en video laat interpreteren. De belangrijkste taken zijn classificatie (wat staat er op het beeld), detectie (waar zit welk object) en segmentatie (welke pixels horen bij dat object). Tellen vraagt iets anders dan de omvang van een beschadiging meten, dus de vraag bepaalt de taak.
Dat hangt af van de taak, het aantal klassen en hoe sterk de omstandigheden wisselen. Met een voorgetraind model en transfer learning begin je met minder eigen beelden. Variatie is minstens zo belangrijk als aantal: beelden van één zonnige ochtend leren een model weinig over de nacht. Na een eerste meting maken we het concreet.
Dat kan, als resolutie, kijkhoek en beeldfrequentie passen bij wat het model moet zien. Bij GVB worden beelden van de veiligheidscamera's in de voertuigen gebruikt om passagiers te tellen. Voor de Floating Farm hingen we zelf camera's op. We beoordelen eerst de bestaande beelden.
Allebei kan. Verwerking bij de camera past als de verbinding beperkt is, als er snel gereageerd moet worden of als beelden de locatie niet mogen verlaten; je stuurt dan alleen de uitkomst door. De cloud biedt meer rekenkracht. Ook een combinatie komt voor: lokaal draaien en vanuit de cloud uitrollen en bewaken.
Dat hangt af van doel, plek en grondslag. Tellen is iets anders dan herkennen wie iemand is: de AVG spreekt pas van biometrische gegevens als een technische verwerking eenduidige identificatie mogelijk maakt of bevestigt. Biometrische identificatie op afstand en, waar toegestaan, emotieherkenning zijn onder de AI-verordening hoog risico, met verplichtingen vanaf 2 december 2027. Wij helpen met inventariseren en de risico-indeling; je jurist of compliance-afdeling beslist.
Door monitoring, steekproeven en hertrainen als de omgeving verandert, en door labels, testset en model in eigen beheer te houden. Ook platforms veranderen: Microsoft heeft data labeling in Azure Machine Learning op 30 september 2026 stopgezet en ondersteunt Custom Vision nog tot 25 september 2028. Toepassingen die we zelf bouwden, kunnen we beheren via beheer en doorontwikkeling.
Als een eenvoudige sensor hetzelfde direct meet, zoals een lichtsluis, weegcel of barcodescanner, is die makkelijker te beheren dan een beeldmodel. Ook bij zeldzame gebeurtenissen met nauwelijks voorbeeldbeelden, of bij fouten met grote gevolgen zonder menselijke controle, is een andere aanpak vaak verstandiger. Soms volstaat een betere registratie in het bestaande systeem.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Beschrijf de plek, de camera's en de beslissing die beter moet. We kijken samen of computer vision het juiste middel is.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
