Wat is computer vision? Uitleg voor bedrijven
Erwin Berkouwer
Computer vision is AI die beelden en video interpreteert om objecten te herkennen, tellen, classificeren of afwijkingen te detecteren. Voor bedrijven is dit relevant bij kwaliteitscontrole, voorraadtelling en visuele inspecties die nu handmatig gebeuren.
Computer vision leert systemen beelden herkennen, tellen en beoordelen. Lees hoe het werkt en waar het zakelijk waarde toevoegt.
Wat is computer vision?
Computer vision is een tak van kunstmatige intelligentie die machines in staat stelt om beelden en video te "zien" en te interpreteren: objecten herkennen, tellen, meten, classificeren of afwijkingen signaleren. Het systeem krijgt een foto of videobeeld als input en levert gestructureerde informatie als output, bijvoorbeeld "dit is een doos, deze staat scheef, dit label ontbreekt".
Voor bedrijven is computer vision vooral interessant omdat het werk overneemt dat nu nog draait op het menselijk oog: kwaliteitscontrole, tellingen, veiligheidscontroles en visuele inspecties.
Hoe werkt computer vision?
Moderne computer vision is gebaseerd op deep learning, met name convolutionele neurale netwerken (CNN's) die patronen in beeldpixels leren herkennen. Het model wordt getraind op grote hoeveelheden gelabelde afbeeldingen, waarna het zelfstandig vergelijkbare patronen in nieuwe beelden kan herkennen.
De meest gebruikte taken zijn:
- Classificatie: wat staat er op de foto? (bijvoorbeeld: product A of product B)
- Objectdetectie: waar in het beeld bevindt zich wat? (met een kader rond elk object)
- Segmentatie: welke exacte pixels horen bij welk object?
- Anomaliedetectie: wijkt dit beeld af van de norm?
Computer vision is geen losstaand "camera-systeem". De camera levert alleen de beelden; de intelligentie zit in het model dat die beelden interpreteert. Dezelfde camera kan met een ander model compleet andere informatie opleveren.
Waarom is dit relevant voor het MKB?
Computer vision wordt vaak geassocieerd met grote fabrieken, maar de toepassingen zijn net zo relevant voor kleinere organisaties:
| Sector | Toepassing |
|---|---|
| Productie en assemblage | Automatische kwaliteitscontrole op de lopende band |
| Groothandel en logistiek | Automatisch tellen en scannen van voorraad |
| Retail | Detecteren van lege schappen of verkeerd geplaatste producten |
| Bouw en techniek | Visuele inspectie van installaties of constructies |
| Horeca en food | Controle op verpakking, etikettering of houdbaarheidsdatum |
Het grote voordeel voor kleinere bedrijven is dat computer vision-modellen tegenwoordig via kant-en-klare API's beschikbaar zijn. Je hoeft zelf geen model te trainen om ermee te beginnen.
Een tweede reden waarom dit relevant is: de kosten van cameratechniek en rekenkracht zijn de afgelopen jaren flink gedaald, waardoor toepassingen die eerder alleen voor grote industriële spelers haalbaar waren, nu ook betaalbaar zijn voor een bedrijf met een handvol medewerkers. De drempel zit tegenwoordig minder in de techniek en meer in het helder krijgen welk visueel probleem je precies wilt oplossen.
Een concreet voorbeeld
Een groothandel in bouwmaterialen ontvangt dagelijks pallets met producten. Een medewerker maakt een foto van elke pallet, en een computer vision-systeem telt automatisch het aantal dozen, herkent het producttype aan de verpakking en vergelijkt dit met de pakbon. Afwijkingen worden direct gemeld, in plaats van pas bij een handmatige controle later.
Wanneer wel, wanneer niet inzetten
Wel inzetten wanneer:
- Visuele controle nu handmatig en herhaald gebeurt (tellen, inspecteren, controleren)
- Er voldoende voorbeeldbeelden zijn van goede en foute situaties
- Fouten door menselijke vermoeidheid of inconsistentie een reëel probleem zijn
Niet inzetten wanneer:
- De visuele variatie te groot en onvoorspelbaar is om te modelleren
- Er te weinig trainingsbeelden beschikbaar zijn van de specifieke situatie
- Een eenvoudige sensor of regel-gebaseerde check al voldoende is
Begin bij twijfel met een kleinschalige proef op één specifiek proces, in plaats van meteen te investeren in een volledige oplossing. Zo zie je snel of de nauwkeurigheid voldoende is voordat je verder opschaalt.
Verwante begrippen
Computer vision overlapt met OCR (tekstherkenning binnen beelden) en is een van de bouwstenen van multimodale AI, waarbij beeld wordt gecombineerd met tekst of spraak. Waar OCR zich specifiek richt op tekst, richt computer vision zich op objecten, vormen en visuele patronen in het algemeen.
Wil je weten of computer vision iets voor jouw processen kan betekenen? Een AI-scan brengt in kaart waar visuele controle nu tijd kost, en of automatisering haalbaar is. Voor begeleiding bij de implementatie kun je terecht bij AI-consultancy, en AI-agents laat zien hoe visuele input verwerkt kan worden binnen een lopend bedrijfsproces.
Veelgestelde vragen
Korte, heldere antwoorden die je helpen sneller beslissen.
Heb ik dure camera's nodig voor computer vision?
Nee, in veel gevallen volstaat een gewone smartphonecamera of een standaard IP-camera. De kwaliteit van het model bepaalt meer over de nauwkeurigheid dan de cameraresolutie, al helpt goede belichting wel.
Moet ik zelf een computer vision-model trainen?
Voor veel toepassingen kun je starten met bestaande, algemene modellen of specialistische aanbieders die al getraind zijn op vergelijkbare taken. Eigen training is vooral nodig bij zeer specifieke of unieke situaties.
Hoe nauwkeurig is computer vision in de praktijk?
Dat hangt sterk af van de taak en de kwaliteit van de trainingsdata. Voor gestandaardiseerde taken zoals tellen of classificeren kan de nauwkeurigheid hoog zijn, bij complexe of variabele situaties is testen op je eigen materiaal noodzakelijk.
Wat kost het inzetten van computer vision voor een klein bedrijf?
Dit varieert sterk per toepassing en schaal. Kant-en-klare API's zijn vaak betaalbaar om mee te starten; maatwerk voor specifieke situaties vraagt meer investering.
