Wat is beeldherkenning?

Beeldherkenning, in de context van machine learning, is een technologische discipline die computers traint om de visuele wereld te interpreteren en te begrijpen. Het omvat algoritmen en modellen die zijn ontworpen om beelden te identificeren en te categoriseren op basis van patronen en objecten erin. Door beelden om te zetten in numerieke of symbolische informatie kan beeldherkenning de wereld op een vergelijkbare manier als het menselijk zicht duiden.

Het belang van beeldherkenning is groot. Van de gezondheidszorg tot beveiliging, retail en sociale media: de toepassingen zijn alomtegenwoordig en vernieuwen sectoren door taken te automatiseren die voorheen menselijke visie en cognitie vereisten.

Beeldherkenning uitgelegd

In de kern is beeldherkenning een proces met een aantal stappen. Eerst wordt een beeld verkregen, meestal als digitale foto of videoframe. Vervolgens wordt er voorbewerking uitgevoerd om het beeld te verbeteren en onnodige ruis te verwijderen. Dit kan inhouden dat helderheid, contrast en andere parameters worden aangepast om de input te standaardiseren.

Het verwerkte beeld wordt daarna geanalyseerd met machinelearning-algoritmen. Er worden features (kenmerken) geëxtraheerd, zoals patronen, kleuren, texturen, vormen of andere bepalende aspecten van het beeld. Deze kenmerken worden vervolgens ingevoerd in een classifier, een getraind machinelearning-model, om het beeld te interpreteren. De output van de classifier is een voorspelling: wat het beeld voorstelt op basis van de geleerde kennis. Na het verkrijgen van de voorspelling kunnen er nabewerkingsstappen worden uitgevoerd, zoals het filteren of verfijnen van de resultaten om de bruikbaarheid te verbeteren, terwijl technieken zoals data-augmentatie en transfer learning kunnen worden ingezet om de prestaties verder te verhogen.

Technieken voor beeldherkenning

Er worden verschillende technieken gebruikt om beeldherkenning met machine learning te realiseren, waaronder:

• Convolutional Neural Networks (CNN's). CNN's zijn een klasse van deep-learning-algoritmen die primair worden gebruikt voor beeldherkenning. Ze verwerken beelden rechtstreeks en zijn bedreven in het herkennen van ruimtelijke hiërarchieën of patronen binnen een beeld.

• Deep learning. Deep learning gebruikt kunstmatige neurale netwerken met meerdere lagen (diepe structuren) om complexe patronen te modelleren en te begrijpen. Het is vooral nuttig bij het verwerken van grote sets ongestructureerde data, zoals beelden.

• Feature-extractie. Dit houdt in dat je sleutelpunten of unieke eigenschappen in een beeld identificeert, zoals randen, hoeken en blobs. Algoritmen voor feature-extractie zijn onder andere Scale-Invariant Feature Transform (SIFT), Speeded-Up Robust Features (SURF) en Histogram of Oriented Gradients (HOG).

Voorbeelden van toepassingen in de echte wereld

Beeldherkenning is integraal onderdeel van veel moderne technologieën, waaronder:

• Gezondheidszorg. Beeldherkenning wordt gebruikt om medische scans zoals MRI's of CT-scans te analyseren om ziekten te diagnosticeren en afwijkingen te detecteren. Het kan patronen of anomalieën in deze beelden helpen identificeren, wat een nauwkeurige diagnose en tijdige interventie en behandeling mogelijk maakt.
• Retail. Om de klantervaring te verbeteren, wordt beeldherkenning in retail ingezet zodat klanten eenvoudig producten kunnen vinden door een foto te maken. Daarnaast wordt het gebruikt in self-checkout-systemen om artikelen efficiënt te identificeren en het afrekenproces te stroomlijnen.
• Autonome voertuigen. Beeldherkenning is cruciaal om autonome voertuigen hun omgeving te laten begrijpen, waaronder het herkennen van obstakels, verkeersborden en voetgangers.

Wat zijn de beperkingen van beeldherkenning?

Ondanks de brede toepassingen kent beeldherkenning ook beperkingen. Bijvoorbeeld:

• Afhankelijkheid van data. Als je bij gesuperviseerd leren beelden labelt, hangt de nauwkeurigheid van beeldherkenning sterk af van de kwaliteit en kwantiteit van de trainingsdata, inclusief de kwaliteit van de labeling. Het verzamelen van diverse en representatieve trainingsdata, het waarborgen van nauwkeurige labeling door menselijke verificatie en het benutten van transfer learning met voorgetrainde modellen kan dit helpen mitigeren.
• Vatbaar voor adversarial attacks. Kleine, vaak onzichtbare aanpassingen aan een beeld kunnen beeldherkenningssystemen misleiden. Zo kan een adversarial attack bestaan uit het toevoegen van kleine verstoringen aan een stopbordafbeelding, waardoor een systeem het bord verkeerdelijk als snelheidsbord classificeert. Om dit te ondervangen moeten robuuste machinelearning-modellen worden ontwikkeld door technieken te integreren zoals adversarial training, defensive distillation of het gebruik van gecertificeerde verdedigingen die garanties bieden tegen zulke aanvallen.
• Moeite met contextbegrip. Waar menselijk zicht de context en relaties tussen objecten begrijpt, hebben beeldherkenningssystemen hier vaak moeite mee. Geavanceerde machinelearning-algoritmen, getraind op enorme datasets, zijn over het algemeen beter in staat om beelden accuraat te interpreteren.

Beeldherkenning vs. objectdetectie

Hoewel beide het interpreteren van beelden omvatten, hebben beeldherkenning en objectdetectie verschillende rollen. Beeldherkenning identificeert wat een volledig beeld voorstelt, zoals het herkennen van een foto als een landschap, een portret of een nachtscène. Objectdetectie gaat een stap verder door meerdere objecten binnen een beeld te lokaliseren en te identificeren.

Zo kan beeldherkenning een foto als een straattafereel herkennen, terwijl objectdetectie in dezelfde foto auto's, voetgangers, gebouwen en zelfs specifieke hondenrassen kan identificeren en lokaliseren.

Objectdetectie combineert beeldherkenning en lokalisatie, wat leidt tot nauwkeurige identificatie en plaatsbepaling van objecten binnen een beeld. Lokalisatie houdt in dat de exacte positie van een object in een beeld wordt vastgesteld, meestal aangeduid door om elk object een bounding box te tekenen. Deze analyse verrijkt ons begrip van het beeld en stimuleert verdere verkenning of acties op basis van de geïdentificeerde objecten.

6 stappen voor het implementeren van een beeldherkenningsapplicatie

Er staat je een breed scala aan hulpmiddelen ter beschikking voor beeldannotatie, voorbewerking, augmentatie en algoritmekeuze, die allemaal zijn aan te passen aan jouw specifieke behoeften. Tussen de vele modellen voor beeldherkenning steekt ResNet 50 erbovenuit als het meest populair en is het mijn model van voorkeur.

ResNet is een type convolutioneel neuraal netwerk dat de ideeën van residual learning en skip-connections op de voorgrond plaatste. Dit maakt het trainen van diepere modellen aanzienlijk eenvoudiger.

Dit zijn de stappen die ik zou nemen om een beeldherkenningsapplicatie te bouwen, bijvoorbeeld voor het classificeren van afbeeldingen van vogels.

1. Dataverzameling

De meest nauwkeurige beeldclassificatiemodellen zijn voorgetrainde modellen die al op een grote dataset met beelden zijn getraind. Dit betekent dat je geen enorme aantallen beelden nodig hebt voor nauwkeurige resultaten. Zelfs 100 beelden per klasse kan meer dan 80% nauwkeurigheid opleveren. Je kunt open-source beeldendatasets op Kaggle vinden voor je project.

2. Data-annotaties

Zodra je een ongelabelde dataset met beelden hebt, is het essentieel om deze te labelen en de labels te valideren voordat je de dataset analyseert.

3. Voorbewerking

Voor het trainen van het model moet je de beelden voorbewerken door ze te laden, de data te schonen en ze om te zetten naar numerieke matrices. Daarna kun je verschillende augmentatietechnieken gebruiken om de beeldomvang te vergroten. Deze technieken omvatten croppen, spiegelen, kleurverschuiving, schalen, vervorming, translatie en meer.

4. Modelselectie

In deze fase experimenteer je met verschillende CNN-modellen en beoordeel je hun prestaties door ze te trainen op de kleinere trainingsdataset. Uiteindelijk bepaal je het best presterende model.

5. Modeltraining en evaluatie

In dit scenario heb je ResNet 50 gekozen en ben je van plan de hyperparameters te optimaliseren voor betere nauwkeurigheid. Het is cruciaal om het model op de testdataset te evalueren om essentiële informatie te verzamelen over de nauwkeurigheid en stabiliteit. Daarna kun je het best presterende model selecteren en de gewichten opslaan.

6. Webapplicatie

Tot slot maak je een API of webapplicatie die de opgeslagen modelgewichten laadt en de klasse van het beeld voorspelt. Dit onderdeel vereist meer testen, omdat je de throughput en prestaties van het model in de tijd en op ongeziene data wilt beoordelen. Zodra je tevreden bent met de resultaten, kun je de webapplicatie met het model in productie nemen.

Dit proces klinkt misschien in het begin verwarrend, maar zodra je aan een beeldclassificatieproject begint, ontdek je meerdere oplossingen om dezelfde taken uit te voeren. Het is een proces van testen en leren dat je uiteindelijk helpt om een sterker data-science-portfolio op te bouwen.

Wil je meer leren over AI? Bekijk dan de volgende bronnen:

• Cursus Understanding machine learning
• Cursus Image processing in Python
• Cursus Learn ChatGPT
• Wat is machine learning?