Beeldherkenning en AI
Beeldherkenning of andere vormen van AI kunnen je werk gemakkelijker maken. Maar de technologie is relatief nieuw en de uitkomst van projecten onzeker. Die onzekerheid kun je echter met de juiste aanpak flink verkleinen. Op deze pagina lees je over de verschillende vormen van AI, succesvolle cases en onze praktische tips voor een succesvol beeldherkenning project.
Tip: wil je snel en veilig met AI aan de slag, bekijk dan onze prototype pagina.
Snelle leeswijzer:
Veelgebruikte vormen van AI
De Wetenschappelijke Raad voor Regeringsbeleid ziet kunstmatige intelligentie (AI) als een “systeemtechnologie: technologie met grote, onvoorspelbare impact op de samenleving, vergelijkbaar met elektriciteit of de verbrandingsmotor”. Maar AI kent veel vormen en toepassingen. Vooral beeldherkenning, data voorspellen en automatisch leren kunnen voor veel organisaties interessant zijn.
Beeldherkenning: herkennen en lokaliseren
Verwerk je grote volumes beeldmateriaal, bijvoorbeeld van cameramonitoring? Een goed beeldherkenning model kan specifieke onderwerpen identificeren en op basis daarvan je data indexeren. In videomateriaal kun je hiermee zelfs het gedrag van die onderwerpen analyseren.
Een beeldherkenning model dat grote hoeveelheden ‘pixels’ omzet in gestructureerde data, kan veel tijd en geld besparen. Beeldmateriaal neemt snel zulke volumes aan, dat menselijke analyse niet meer mogelijk is. Vaak maakt beeldherkenning het verschil tussen het wel en niet succesvol kunnen inzetten van beeldmateriaal als analysebron.

Data voorspellen: gegevens valideren
Moet je grote hoeveelheden gestructureerde data verwerken, bijvoorbeeld data van Citizen Science waarnemingen of metingen van digitale of analoge sensors? En is de kwaliteit van de data een belangrijke voorwaarde voor analyse?
Een AI voorspellingsmodel kan ‘verdachte’ data aanwijzen, die vervolgens door menselijke experts kunnen worden gecontroleerd. Doordat je een relatief klein deel van de data met prioriteit kunt behandelen, houd je met een behapbare inspanning toch menselijke controle over de kwaliteit.

Zelf leren: sturen en optimaliseren
Wil je een installatie zichzelf laten besturen, zoals een drijvend of draaiend zonnepaneel, met de meest efficiënte (motor) inspanning?
Een zelflerend model dat leert van de eigen acties en gevolgen, kan leren om in elke situatie de beste actie uit te voeren. Het leert rekening houden met bekende optimalisatiefactoren, zoals stroomverbruik vs opbrengst, en kan op basis daarvan steeds beter de meest efficiënte actie bepalen.

Tips (6) voor succes met beeldherkenning
Onze beste tips voor succesvolle beeldherkenning hebben we op een rij gezet. Ze zijn net zo goed van toepassing op andere vormen van AI. Door deze tips te volgen verhoog je de slagingskans van je project flink.
1. Maak je doelen meetbaar
Wat moet beeldherkenning jullie opleveren? Beschrijf dit zo concreet mogelijk.
Het mooie van beeldherkenning: het is een numbers game. Het trainen en testen van modellen gebeurt op basis van cijfers en scores. Dat maakt beeldherkenning een fijne technologie: de resultaten zijn meetbaar – en daarmee stuurbaar.
Werk daarom, voor je zelfs maar begint, eerst eens uit waarom je beeldherkenning zou willen inzetten. En probeer je doelstelling specifiek en meetbaar te maken. Voorbeelden van meetbare doelstellingen met beeldherkenning:
- “Een onderzoeker moet 24 uur video gemiddeld in één uur kunnen analyseren.”
- “We willen 50% minder tijd besteden aan het beoordelen van beeldmateriaal.”.
- “We moeten de foutmarge op metingen terugbrengen naar maximaal 1 cm.”
2. Zorg voor een brede beeldenset
Verzamel beeldmateriaal in alle ‘smaken’ die in de praktijk voorbij komen.
Tijdens het deep learning trainingsproces krijgt een beeldherkenning model beelden gevoerd om onderscheidende kenmerken te leren. Een veelgemaakte fout is het gebruik van eenzijdige beelden. Er worden dan bijvoorbeeld foto’s van één camera gebruikt, of van één dag of andere korte periode in de tijd. Dit vergroot de kans dat het model op verkeerde kenmerken gaat letten.
Voorbeeld: je traint een model voor het herkennen van een “broedende vogel” of “verlaten nest”. Alle nest-afbeeldingen zijn gemaakt van één nest, waarin toevallig een dik stuk touw zit. Je gebruikt je model daarna om een foto van een broedende vogel te beoordelen. In dit nest zit een vogel, maar er hangt óók een stuk touw uit. De kans bestaat dat je model dit classificeert als “verlaten nest” – omdat het zich een stuk touw heeft aangeleerd als onderscheidend kenmerk.
Gebruikte je een bredere beeldenset, met veel verschillende bezette en onbezette nesten, dan had het model nesten met én zonder touw gezien. Zo leert het over meer verschillende foto’s de juiste kenmerken te vinden. Dit noemen we “generaliseren”: het model zal minder gericht zijn op kenmerken die er niet toe doen. Zoals een stuk touw.
3. Sluit de feedback loop
Zorg dat je altijd feedback ontvangt van een model in productie.
Iedereen maakt fouten… het gaat erom dat je ervan leert, nietwaar? Dit geldt ook voor beeldherkenning. Als het goed is gebruik je een brede, representatieve beeldenset. Toch zal het model fouten maken. Het is belangrijk om die gevallen te verzamelen. Het model kan namelijk goed leren van afbeeldingen waar het moeite mee had.
De foute afbeeldingen voeg je toe aan je beeldenset. Daarna wordt het model op-ieuw getraind. Dankzij de nieuw toegevoegde beelden kan het weer iets beter zoeken naar de onderscheidende kenmerken. En leert het iets beter te generaliseren.
Het resulterende nieuwe model gaat weer naar productie, waar het vervolgens minder fouten zal maken. Dit was één rondje door je feedback loop. Zorg dat je er veel maakt!
4. Bouw geen model, maar een proces
Zorg voor een iteratieve werkwijze die je model doorlopend verbetert.
Het is logisch dat veel aandacht uitgaat naar de prestaties van een model. Maar het tot stand brengen en automatiseren van je feedback loop is eigenlijk veel belangrijker. Waarom? Simpel: zelfs al kun je starten met een zeer sterk presterend model, de kans is groot dat het een keer mínder gaat presteren.
Want de wereld verandert! Je beelden komen ineens ergens anders vandaan. Andere context, andere omgeving. Of hardware verandert. Minder kleuren, of juist meer. Scherper. Of waziger. Verandering is onvermijdelijk bij beeldherkenning, helemaal als je het op grote schaal (multi-device monitoring) toepast.
Daarom kun je maar beter klaar zijn om in te spelen op prestatie veranderingen. Met een goede feedback loop en een iteratief trainingsproces ben je dat.
5. Start z.s.m. in de praktijk
Wacht niet met het uitrollen van je model – gebruik het zo snel mogelijk.
Hoe eerder je model in productie ‘draait’, hoe beter. Je weet inmiddels het belang van de feedback loop en een iteratief proces. Het blijft echter aantrekkelijk om lekker door te bouwen aan dat eerste model… Misschien hoop je dat het zo goed wordt, dat je gewoon in één keer klaar bent.
Dat gaat helaas niet gebeuren. Sterker nog, als je blijft focussen op de prestaties van je eerste model, en te hoge eisen stelt, dan ga je misschien nooit de Proof of Concept voorbij. Blijf je lekker droogzwemmen. Zoals ~90% van alle A.I. projecten…
Precies daarom moet je zo snel mogelijk live. Pas dan word je gedwongen om de boel goed in te richten. Daar zal dan alsnog wel wat tijd overheen gaan. Maar je bouwt wel een model dat presteert in de echte wereld. Je bent klaar voor de praktijk: nieuwe omstandigheden en veranderende prestaties. En je behoort tot een select gezelschap dat het AI PoC stadium voorbij is.
6. Maak een Prototype!
Bepaal zo snel mogelijk de haalbaarheid en de kwaliteit van AI voor jouw situatie.
Begin je beeldherkenning project met een Prototype. Dit dwingt je namelijk om direct praktisch na te denken over je data. Welke data hebben we eigenlijk? En wat is de kwaliteit? Is de data representatief en breed genoeg (tip #2)?
Wij starten vrijwel alle projecten met een prototype. Elke situatie is weer anders, en het prototype is de snelste, goedkoopste en beste manier om vast te stellen of en hoe AI van waarde kan zijn in jouw specifieke situatie.
Start met een AI prototype
- “Welke meetbare winst kan AI ons precies opleveren?”
- “Zal een AI oplossing wel slim/goed genoeg zijn voor ons?”
- “Hoe kunnen we op AI vertrouwen, en de controle niet verliezen?”
- “Wat kost het ons om een hoogwaardig algoritme te maken en onderhouden?”
Een prototype is de perfecte manier om deze en andere vragen te beantwoorden.
Wij zijn gespecialiseerd in de ontwikkeling van hoogwaardige AI prototypes.
VAART beeldherkenning model gepresenteerd bij Microsoft (video)
We maakten een beeldherkenning model voor visherkenning, dat helpt de kwaliteit van citizen science data over Nederlandse vissoorten te verbeteren.
We trainden het beeldherkenning model in een AI tool van Microsoft, en werden door hen uitgenodigd om ons werk te presenteren op de wereldwijd uitgezonden “Global AI Night” in Amsterdam.