Computer vision

Computer vision er et felt inden for AI, der lærer computere at forstå billeder og video. Det betyder genkendelse af objekter, aflæsning af tekst via OCR, detektion af fejl på emner på en produktionslinje, tælling af personer på et billede og mere. Deep learning gjorde teknikken praktisk brugbar, og i dag dækker feltet også modeller, der kan 'se' et uploadet billede sammen med tekst.

Sådan virker computer vision i praksis

Computer vision lærer fra billeder på samme måde som du lærer af fotos: modellen ser mange eksempler og finder mønstre. I praksis afleverer du billeder med markeringer (her er en skrue, her er et hak), modellen regner og så prøver den på nye billeder. Resultatet er en score eller en markering, et gult felt omkring en defekt, en tekststreng fra en faktura eller en liste med matchende produkter fra en webshop.

Det er ikke magi. Deep learning kræver mange billeder og korrekt mærkning, og kvaliteten afhænger af kamera, lys og hvordan tingene præsenteres. En god model ser stabilt, men den kan snydes af en ny vinkel, smuds på linsen eller en ældre etiket.

Computer vision i produktionen: hvorfor det ofte er først

Produktionsvirksomheder ser hurtigt værdi, fordi opgaverne er konkrete: et produkt skal godkendes eller kasseres, en fejl skal lokaliseres, en komponent tælles. Når beslutningen handler om ja/nej eller et målbar tal, kan en vision-løsning sættes op hurtigt og give gentagne resultater. Det gør det ofte til det første sted, I får målbar AI-gevinst.

Men beslutningen kræver overblik: hvilke kameraer bruger I, hvor meget variation er der i delene, og hvem skal reagere, når systemet giver en alarm? Det er her I som leder skal spørge ind til fejlrater, vedligehold og hvem der tager ansvar for fejlflag.

Eksempel: Computer vision hos en produktionsdirektør

En produktionsdirektør på en møbelfabrik stod med et tilbagevendende problem: limrester på 10 procent af en bestemt planke, opdaget for sent på montagebåndet. Midt i højsæsonen bestilte hun en simpel vision-løsning med to kameraer over linjen og et lille træningssæt på 4.000 billeder fra de seneste to måneder. Den første uge var kaos: modelens falske positiver kom fra limpletter i reflekterende lys og fra mærker på beskadigede emner, der lignede lim. Teamet brugte to uger på at tage ekstra billeder, justere kameraets placering og mærke 1.200 nye billeder. Efter tre uger kunne systemet markere de mest åbenlyse fejl, men det krævede stadig manuel kontrol ved skift i træsort. Læringen var klar: hardware og billeder er halvdelen af arbejdet, og I skal afsætte tid til iteration... ikke bare til implementering.

Computer vision er ikke det samme som OCR eller 'bare billedgenkendelse'

OCR er en delmængde af computer vision med fokus på at læse tekst i billeder. Billedgenkendelse eller object detection dækker opgaver som at finde en skrue eller sortere emballage efter farve. Deep learning er teknikken, der i praksis gør begge dele effektive i dag. Multimodale modeller kan kombinere tekst og billede, for eksempel når du uploader et produktfoto og beder om en varetekst.

Hvad du skal være opmærksom på

Datasæt og variation er de to store risici: træner I kun på perfekte billeder, virker modellen dårligt i hverdagens støvede realiteter. Lys, kameravinkel, komprimering fra mobilbilleder og nye leverandørmærker ændrer ofte resultater. Derudover er der privatliv og databeskyttelse, hvis billeder indeholder personer eller følsomme oplysninger; tjek reglerne hos Datatilsynet.

Endelig: forvent ikke, at en model gør alt med det samme. Den kan automatisere rutiner og give hurtige gevinster, men den kræver løbende vedligehold, mærkning og en plan for, hvordan mennesker og maskine arbejder sammen. En vision-model kan være som en kollega med lynhurtigt blik, men den spørger aldrig hvorfor.

Skal flere end én i huset kunne noget med computer vision, så se, hvordan en AI-workshop er skruet sammen. Vil I have et bud på, om computer vision overhovedet er jeres næste skridt, så er det dét, AI-rådgivning er til for.