Kunstig intelligens og data

Computer Vision

Computer vision er et fagområde inden for kunstig intelligens, der gør det muligt for computere at analysere og tolke visuelt indhold som billeder og video. Teknologien kombinerer metoder fra maskinlæring og billedbehandling til at omdanne rå pixeldata til meningsfuld information, for eksempel hvilke objekter, personer eller tekster et billede indeholder. Formålet er, at en computer kan udføre opgaver, der normalt kræver menneskeligt syn og vurdering, uden at et menneske selv skal gennemgå hvert enkelt billede.

Et konkret eksempel er et kamera i en selvkørende bil, som løbende filmer vejen og bruger computer vision til at genkende fodgængere, vejskilte og andre køretøjer, så bilens system kan reagere hurtigt på det, den “ser”. På samme måde kan et kamera på en fabrikslinje bruges til automatisk at opdage revner eller fejl på produkter, før de pakkes og sendes videre.

Læs i denne artikel:

Sådan fungerer computer vision

Et computer vision-system gennemgår typisk en række trin, fra det modtager et billede, til det kan levere et resultat:

Dataindsamling: billeder eller videoklip indsamles fra kameraer, sensorer eller eksisterende billeddatabaser.
Forbehandling: billederne renses, beskæres eller justeres i lysstyrke og kontrast, så kvaliteten af inputtet bliver mere ensartet.
Udtræk af features: systemet identificerer genkendelige træk som kanter, former, farver og teksturer.
Modeltræning: en model trænes til at genkende mønstre i disse features og koble dem til bestemte klasser eller objekter.

Den model, der oftest ligger bag, er et convolutional neural network (CNN) — en type af det, man i deep learning kalder et neuralt netværk, som er særligt egnet til billedanalyse. Et CNN lader et filter “glide” hen over billedet for at udtrække features, og resultatet samles i et såkaldt feature map, som til sidst bruges til at klassificere billedet. Nyere systemer bygger desuden i stigende grad på transformer-arkitekturer, hvor et billede opdeles i mindre stykker og behandles på en måde, der minder om, hvordan sprogmodeller behandler ord. Under hele forløbet er det principperne fra machine learning, der gør det muligt for modellen at blive bedre, jo flere eksempler den trænes på.

Billedgenkendelse er én opgave inden for computer vision

Billedgenkendelse handler om at afgøre, hvad et billede forestiller — for eksempel om det viser en kat, et vejskilt eller et ansigt. Det er ofte den mest grundlæggende og mest kendte opgave inden for computer vision, men det er langt fra den eneste. Computer vision dækker også over objektdetektion, hvor flere objekter i samme billede placeres og afgrænses hver for sig, segmentering, hvor billedet inddeles i regioner pixel for pixel, og objektsporing, hvor et objekt følges gennem en række videobilleder. Man kan derfor sige, at billedgenkendelse er en delmængde af computer vision, mens computer vision samlet set dækker over hele processen med at opfange, analysere og forstå visuelt materiale.

Anvendelsesområder for computer vision

Computer vision bruges i dag på tværs af mange brancher. Inden for sundhedsvæsenet analyseres røntgenbilleder og scanninger for at understøtte diagnosticering, mens landbruget bruger teknologien til at overvåge afgrøders sundhed via satellit- eller dronebilleder. I detailhandlen ligger computer vision bag løsninger som selvbetjente kasser og automatiseret lagerstyring, og i sikkerhedsbranchen anvendes det til at opdage uregelmæssigheder i overvågningsbilleder. Fælles for anvendelserne er, at systemet skal omsætte visuelle data til en konkret handling eller vurdering — ikke blot beskrive, hvad billedet indeholder.

Computer vision, maskinlæring og generativ AI

Computer vision er tæt forbundet med, men ikke identisk med, maskinlæring. Maskinlæring leverer de generelle metoder til at lære mønstre fra data, mens computer vision er det specifikke fagområde, der anvender disse metoder på visuelle data som billeder og video. Det adskiller sig også fra almindelig billedbehandling, som ændrer et billede (for eksempel skarphed eller farver), uden nødvendigvis at forstå, hvad billedet forestiller. Det er desuden værd at holde computer vision adskilt fra tekst-til-billede AI, som går den modsatte vej: her genererer en model et helt nyt billede ud fra en tekstbeskrivelse, mens computer vision tager udgangspunkt i et eksisterende billede og forsøger at forstå dets indhold.

En selvkørende bil bruger computer vision til at genkende fodgængere, vejskilte og andre biler ud fra billeder fra sine kameraer i realtid.

Ofte stillede spørgsmål

Hvad er forskellen på computer vision og billedgenkendelse?

Billedgenkendelse er en specifik opgave, der handler om at afgøre, hvad et billede forestiller. Computer vision er det bredere fagområde, der ud over billedgenkendelse også dækker opgaver som objektdetektion, segmentering og objektsporing.

Hvilken teknologi ligger typisk bag computer vision?

De fleste moderne systemer bygger på convolutional neural networks (CNN), en type deep learning-model designet til billedanalyse. Nyere systemer benytter i stigende grad også transformer-baserede arkitekturer.

Er computer vision det samme som billedbehandling?

Nej. Billedbehandling ændrer et billede, for eksempel ved at justere skarphed eller kontrast, uden at forstå indholdet. Computer vision forsøger derimod at tolke, hvad billedet faktisk viser.

Kræver computer vision altid store mængder data?

I praksis kræver de fleste moderne computer vision-modeller store og varierede datasæt af billeder for at kunne genkende mønstre pålideligt, selvom mængden af nødvendig data varierer fra opgave til opgave.

Kan computer vision bruges til video, eller kun stillbilleder?

Computer vision kan anvendes på begge dele. Til video bruges ofte modeller, der kan analysere en sekvens af billedrammer over tid, så systemet også kan følge bevægelse og forandringer.

Vil du forstå den teknologi, der gør computer vision muligt? Dyk ned i, hvordan neurale netværk lærer at genkende mønstre i store mængder data.

Deep Learning (Dyb læring) →

Kilder