Definitie: Computer vision is een vakgebied binnen kunstmatige intelligentie dat computers leert om beelden en video te interpreteren, zoals objecten herkennen, tellen, volgen of beoordelen. Moderne systemen gebruiken daarvoor vooral deep learning, getraind op grote hoeveelheden gelabelde of ongelabelde beelden.
In het kort
- Computer vision, in het Nederlands ook computervisie of beeldherkenning met AI, laat software zien wat er op een foto of in een videobeeld staat.
- De belangrijkste taken zijn classificatie, objectdetectie, segmentatie, objecttracking en tekstherkenning (OCR).
- De doorbraak kwam in de jaren 2010 met convolutionele neurale netwerken; sinds 2020 spelen ook Vision Transformers een grote rol.
- Toepassingen lopen van kwaliteitscontrole in de productie en medische beeldanalyse tot zelfrijdende auto’s en het controleren van foto’s in een app.
Wat is computer vision?
Een mens ziet in een fractie van een seconde dat er een kras op een product zit, dat een pallet scheef staat of dat een formulier niet is ondertekend. Voor een computer is een foto in eerste instantie alleen een raster van pixels met kleurwaarden. Computer vision is het vakgebied dat software leert om in die pixels betekenis te vinden: wat staat er op het beeld, waar staat het, hoeveel zijn het er en klopt het met wat je verwacht?
Computer vision valt onder kunstmatige intelligentie en machine learning. Waar een taalmodel tekst verwerkt, verwerkt een computer vision-model beelden. Steeds vaker worden die twee gecombineerd in modellen die zowel tekst als beeld begrijpen. Dan kun je een foto uploaden en er in gewone taal een vraag over stellen.
Het verschil met gewone beeldbewerking is belangrijk. Een fotobewerkingsprogramma past pixels aan, zoals helderheid of uitsnede. Computer vision trekt er informatie uit, zoals “dit is een beschadigd product” of “op deze foto staan drie personen”.
Hoe is computer vision ontstaan?
Computer vision is ouder dan veel mensen denken. Volgens SAS werden in de jaren 1950 de eerste neurale netwerken gebruikt om randen van objecten te detecteren en eenvoudige vormen zoals cirkels en vierkanten te sorteren. In de jaren 1970 kwam de eerste commerciële toepassing: optische tekenherkenning, onder meer om geschreven tekst voor blinden te interpreteren.
OVHcloud noemt de Hough-transformatie uit de jaren 70 en 80 als belangrijke doorbraak, een wiskundige techniek om lijnen en vormen in beelden te vinden. Rond 1990 maakten grote online beeldverzamelingen volgens SAS de eerste gezichtsherkenningsprogramma’s mogelijk.
De grote sprong kwam in de jaren 2010 met convolutionele neurale netwerken, kortweg CNN’s. SAS meldt dat de nauwkeurigheid van objectidentificatie en classificatie in minder dan tien jaar steeg van 50 naar 99 procent. Volgens DataNorth lieten onderzoekers van Google in 2020 zien dat Vision Transformers de beste CNN’s kunnen evenaren of overtreffen, mits ze vooraf op voldoende data zijn getraind. Recente modellen leren zelfs zonder menselijke labels: Meta’s DINOv3 uit 2025 leerde visuele kenmerken uit 1,7 miljard beelden.
Hoe werkt computer vision?
Een computer vision-systeem doorloopt globaal vier stappen:
- Beeld vastleggen. Een camera, scanner, telefoon of drone levert een foto of videostroom.
- Voorbewerken. Het beeld wordt bijgesneden, geschaald of genormaliseerd, zodat het model het goed kan verwerken.
- Analyseren met een model. Een neuraal netwerk herkent patronen in de pixels. De eerste lagen vinden randen en kleuren, diepere lagen herkennen vormen, onderdelen en uiteindelijk complete objecten.
- Uitkomst gebruiken. Het systeem geeft een label, een kader rond een object, een telling of een score terug. Software beslist vervolgens wat er gebeurt: een melding, een afkeur, een registratie of een vraag aan een medewerker.
Het model leert door voorbeelden. Bij gesuperviseerd leren krijgt het duizenden beelden met het juiste antwoord erbij, zoals “goed” en “afgekeurd”. Het past zichzelf aan tot het die antwoorden zo goed mogelijk voorspelt. Daarna kan het nieuwe beelden beoordelen die het nog nooit heeft gezien.
Je hoeft een model niet altijd zelf vanaf nul te trainen. Veel toepassingen gebruiken een bestaand, vooraf getraind model en trainen dat bij op een kleinere set eigen beelden. Voor algemene taken, zoals tekst uit een foto halen of gangbare objecten herkennen, zijn er kant-en-klare diensten van cloudaanbieders.
Welke taken kan computer vision uitvoeren?
| Taak | Wat het doet | Voorbeeld |
|---|---|---|
| Classificatie | Bepaalt wat er op het hele beeld staat | Is dit product goed of afgekeurd? |
| Objectdetectie | Vindt objecten en hun positie, met een kader eromheen | Hoeveel dozen staan er op deze pallet? |
| Segmentatie | Labelt elke pixel, zodat precieze vormen zichtbaar worden | Welk deel van het dak is beschadigd? |
| Objecttracking | Volgt een object over meerdere videobeelden | Welke route loopt een heftruck door het magazijn? |
| OCR | Leest tekst uit een beeld | Kenteken, factuurnummer of serienummer uitlezen |
| Gezichtsherkenning | Herkent of vergelijkt gezichten | Toegangscontrole, met strenge privacyregels |
| Pose-schatting | Bepaalt de houding van een persoon | Analyse van bewegingen bij sport of ergonomie |
OVHcloud onderscheidt bij segmentatie drie vormen. Semantische segmentatie geeft elke pixel een klasse, zoals weg of stoep. Instance-segmentatie onderscheidt afzonderlijke objecten van dezelfde soort, zoals auto 1 en auto 2. Panoptische segmentatie combineert beide.
Welke technieken en tools worden gebruikt?
- Convolutionele neurale netwerken (CNN’s). Lenovo noemt ze de basis van moderne computervisiesystemen. Ze zijn sterk in het herkennen van lokale patronen.
- Vision Transformers. Een nieuwere architectuur, afgeleid van de techniek achter taalmodellen.
- YOLO en SSD. Bekende modellen voor snelle objectdetectie, ook geschikt voor video.
- Multimodale modellen. Modellen zoals CLIP van OpenAI koppelen beeld aan tekst. Volgens DataNorth is CLIP getraind op 400 miljoen beeld-tekstparen.
- Bibliotheken. Microsoft noemt Python als belangrijkste programmeertaal, met bibliotheken als OpenCV, TensorFlow en PyTorch.
Een computer vision-model kan volgens Microsoft draaien in de cloud, op een eigen server of op een edge-apparaat, zoals een camera of een kleine computer naast een productielijn. Die keuze hangt af van snelheid, privacy en internetverbinding.
Voorbeelden van computer vision in de praktijk
- Kwaliteitscontrole in productie. Een camera boven een lopende band herkent afwijkingen zoals krassen, deuken of ontbrekende onderdelen.
- Medische beeldanalyse. Hulp bij het beoordelen van röntgenfoto’s, MRI- en CT-scans. SAS beschrijft een samenwerking met Amsterdam UMC om sneller te beoordelen hoe kankerpatiënten op chemotherapie reageren.
- Verkeer en mobiliteit. Zelfrijdende auto’s herkennen voetgangers en verkeersborden; parkeergarages lezen kentekens.
- Landbouw. Drones en camera’s volgen de groei en gezondheid van gewassen.
- Natuurbescherming. SAS noemt een project met WildTrack, waarin neurale netwerken diersporen analyseren om soorten en geslacht te bepalen.
- Documentverwerking. Tekst en velden uit gescande formulieren, bonnen en facturen halen.
- Apps en portalen. Een gebruiker maakt een foto van een meterstand, schade of product, en de app leest de relevante gegevens uit of controleert of de foto bruikbaar is.
Computer vision, OCR en beeldbewerking: wat is het verschil?
| Begrip | Wat het is | Verhouding tot computer vision |
|---|---|---|
| Beeldbewerking | Pixels aanpassen, zoals helderheid of uitsnede | Geen interpretatie, vaak wel een voorbereidende stap |
| OCR | Tekst herkennen in een beeld | Een specifieke taak binnen computer vision |
| Computer vision | Beelden interpreteren en er informatie uit halen | Het overkoepelende vakgebied |
| Multimodale AI | Modellen die tekst, beeld en soms geluid combineren | Gebruikt computer vision als onderdeel |
Wat zijn de beperkingen van computer vision?
Computer vision is krachtig, maar niet onfeilbaar. Lenovo noemt variabele lichtomstandigheden, objecten die elkaar deels bedekken, andere kijkhoeken en verschillen in schaal als bekende uitdagingen. Een model dat is getraind op foto’s met daglicht, kan slechter presteren onder tl-licht.
Een model presteert ook slechter op beelden die afwijken van de trainingsdata. DataNorth noemt een studie van UC Berkeley uit 2019, waarin de nauwkeurigheid van classificatiemodellen op een nieuwe ImageNet-testset 11 tot 14 procentpunt daalde. En volgens een NIST-studie uit hetzelfde jaar lieten de meeste geteste gezichtsherkenningsalgoritmen demografische verschillen in nauwkeurigheid zien.
Daarnaast spelen privacy en regelgeving. Beelden van personen zijn persoonsgegevens, en biometrische herkenning valt onder strenge regels in de AVG en de Europese AI-verordening. Gebruik je camera’s op de werkvloer of in openbare ruimte, zoek dan vooraf uit wat wel en niet mag.
Wat kost een computer vision-toepassing?
Er is geen vaste prijs. DataNorth noemt kostenfactoren, maar geen bedragen. De kosten hangen vooral af van:
- Bestaand of eigen model. Een kant-en-klare clouddienst rekent meestal per beeld of per aanroep. Een eigen model trainen vraagt meer ontwikkeltijd.
- Data verzamelen en labelen. Voor een eigen model heb je vaak honderden tot duizenden voorbeeldbeelden nodig, met het juiste label.
- Hardware. Camera’s, verlichting en eventueel een edge-apparaat bij de productielijn.
- Integratie. De uitkomst moet ergens heen: een dashboard, een melding, een registratie in een bestaand systeem.
- Beheer. Modellen moeten worden gemonitord en soms opnieuw getraind als producten, licht of camera’s veranderen.
Hoe begin je met computer vision?
- Beschrijf de beslissing. Wat moet iemand op basis van het beeld besluiten, en wat gebeurt er daarna?
- Verzamel echte beelden uit de praktijk, onder de omstandigheden waarin het systeem straks werkt.
- Probeer eerst een bestaande dienst. Voor tekst uit beelden of gangbare objecten is een eigen model vaak niet nodig.
- Test met een kleine set en meet hoe vaak het model gelijk heeft, ook bij lastige gevallen.
- Ontwerp de uitzonderingen. Wat gebeurt er als het model twijfelt? Een medewerker die het beeld controleert, is vaak de veiligste route.
- Koppel de uitkomst aan het proces waarin het resultaat nodig is.
Hoe meet je of een model goed genoeg is?
Een percentage zoals “95 procent nauwkeurig” zegt weinig zonder context. Kijk naar twee soorten fouten. Een vals alarm is een goed product dat wordt afgekeurd; een gemiste fout is een beschadigd product dat erdoor glipt. Welke fout erger is, verschilt per toepassing. Bij een veiligheidscontrole wil je vrijwel niets missen, ook als dat extra valse alarmen oplevert. Bij het automatisch sorteren van foto’s in een portaal is een enkele fout minder erg, zolang een medewerker hem kan corrigeren. Test daarom altijd op een aparte set beelden die het model tijdens het trainen niet heeft gezien, en herhaal die test als de omstandigheden veranderen.
Wat betekent dit voor jouw project?
Bij een nieuw idee onderzoek ik eerst of een bestaand pakket, een koppeling of maatwerk het beste past. Voor computer vision betekent dat vaak: kan een bestaande beeldherkenningsdienst het al, of is er echt een eigen model nodig? Vaak zit het meeste werk niet in het model, maar in wat er rondom gebeurt.
Daarom kijk ik naar het proces: wat komt binnen, wie moet ermee verder en welke informatie heeft die persoon nodig? Een foto van een schade of een product is pas nuttig als de uitkomst bij de juiste persoon terechtkomt, met de informatie die nodig is voor de volgende stap. En als het model twijfelt, moet duidelijk zijn wie er dan naar kijkt.
Vraag? Wil je beelden, foto’s of scans automatisch laten beoordelen of uitlezen? Stuur me wat er nu binnenkomt, wie ermee verder moet en welke beslissing er volgt. Dan bepalen we samen de logische eerste stap. Lees ook hoe ik een maatwerk webapplicatie aanpak.
Veelgestelde vragen over computer vision
Wat is computer vision?
Computer vision is een vakgebied binnen kunstmatige intelligentie dat computers leert om beelden en video te interpreteren. Het herkent bijvoorbeeld objecten, telt producten, leest tekst uit foto’s of beoordeelt of iets afwijkt.
Wat is het verschil tussen computer vision en beeldherkenning met AI?
Beeldherkenning met AI wordt vaak als synoniem gebruikt, maar is strikt genomen een onderdeel van computer vision. Computer vision omvat ook objectdetectie, segmentatie, tracking en het volgen van beweging in video.
Waar wordt computer vision voor gebruikt?
Computer vision wordt gebruikt voor kwaliteitscontrole in fabrieken, medische beeldanalyse, kentekenherkenning, zelfrijdende auto’s, gewasmonitoring en het uitlezen van documenten. Ook apps gebruiken het om foto’s van gebruikers automatisch te controleren of uit te lezen.
Verwante termen
Machine learning · Deep learning · OCR documentherkenning · Multimodale AI · Neuraal netwerk · AI-documentverwerking
← Terug naar de kennisbank