Beeldherkenning en A.I.

Dier- en plantsoorten detecteren van foto en video

Beeldherkenning van de natuur

De potentie van beeldherkenning voor de natuurwereld groeit snel, grotendeels dankzij open source inspanningen op het gebied van machine learning. Maar onjuiste focus en verwachtingen leiden ertoe dat maar weinig projecten de ‘echte’ praktijkwereld bereiken, laat staan succesvol overeind blijven staan.

Wij onderzoeken al vier jaar de mogelijkheden en grenzen van beeldherkenning voor de natuurwereld. We kunnen natuurorganisaties helpen hun kennis van, en grip op, beeldherkenning te vergroten. Ons advies is niet zozeer gericht op technologie, maar veel meer op het proces. Hoe zorg je voor kwaliteit in een stromende dataset? Hoe evalueer je gemaakte keuzes in de modelprestaties? Het doel is om kennis op te bouwen om zelf het uiterste uit beeldherkenning te kunnen halen.

Geen model, maar proces en kennis

Een eerste advies dat we vaak geven is om ‘het model’ niet te zien als einddoel, maar als middel. De aandacht moet gaan naar het starten en ondersteunen van een continu proces in de organisatie. Een proces gericht op kwaliteit in verzamelen, trainen, evalueren en leren. En dat zo snel mogelijk vanaf de start bruikbare modellen levert.

De juiste vraag om vanuit te starten is dus niet “hoe maken we een model dat het 80% goed heeft”, maar “hoe zorgen we dat het model ons snel kan helpen, stabiel presteert en toeneemt in kwaliteit”. Kwaliteit in beeldherkenning vraagt tijd, veel data en kennis. Met een goed proces kan een organisatie vroeg starten met leren en kennis opbouwen.

Natuurherkenning practice

Op basis van open source tools ontwikkelt VAART een open, standaard werkwijze voor het trainen, implementeren en verbeteren van soortendetectie modellen.

Met de werkwijze kan elke natuurorganisatie met beeldmateriaal van een specifieke soortgroep zelfstandig een model trainen, implementeren en verbeteren.

Het resulterende model is als portable API ‘plug and play’ te integreren in bestaande software, terwijl domeinspecialisten zoals ecologen of wetenschappers regie houden over de kwaliteit.

Neem voor meer informatie contact op.

projecten met beeldherkenning en A.I.

Beeldherkenning van vissen

Samen met Nationale Databank Flora en Fauna (NDFF) doet VAART software onderzoek naar de mogelijke rol van beeldherkenning bij het valideren van natuurwaarnemingen. Het onderzoek …

Lees meer »

Vangstenregistratie.nl platform

Sinds 2003 ontwikkelt VAART software Vislift het platform Vangstenregistratie.nl, een digitaal logboek voor sportvissers. Vissers gebruiken het systeem gratis om een persoonlijk logboek in op …

Lees meer »

beeldherkenning en A.I. artikelen

Visherkenning bij steuren

Steur als startpunt van ‘natuurherkenning practice’

Beeldherkenning van natuur stelt organisaties voor een uitdaging, met name bij sterk gelijkende soorten. Een aanzienlijke collectie steurfoto’s dient nu als basis voor onderzoek naar de …

Lees meer »

DeepLearning.AI Tensorflow Developer

VAART member Jorrit heeft het DeepLearning.AI Tensorflow Developer Professional Certificate behaald. Hij deed kennis op om neurale netwerken te trainen, valideren, testen en optimaliseren.  Deze netwerken …

Lees meer »

VAART presenteert beeldherkenning van vissen op Microsoft’s Global AI Night

Wat een eer en wat leuk om te doen! We mochten ons beeldherkenning model voor vissoorten presenteren op Global AI Night bij Microsoft Nederland. Jorrit …

Lees meer »
Scroll naar top