Machine vision vs computer vision: alles wat je moet weten

Elke dag helpt AI (kunstmatige intelligentie) bij industriële procesautomatisering, het verhogen van de operationele efficiëntie en zelfs het verbeteren van de veiligheid in ons dagelijks leven. Machine vision en computer vision zijn de voorhoede van visuele AI. Maar waar zijn deze velden verantwoordelijk voor en hoe verschillend zijn ze?

In deze uitgebreide gids bespreken we machine vision vs computer vision, hun overeenkomsten, verschillen en hoe ze in het dagelijks leven worden gebruikt.

Wat is machine vision?

Machine vision betreft de technologie, methoden, software en hardware die betrokken zijn bij de verwerking van visuele invoer, doorgaans in een industriële omgeving. Simpel gezegd is machine vision een systeem dat beelden van een bepaalde omgeving vastlegt met behulp van speciale camera’s. Deze informatie wordt vervolgens verwerkt en gebruikt voor verschillende toepassingen, zoals visuele inspectie en objectdetectie (waarop we hieronder meer gedetailleerd ingaan).

Hoe werkt machine vision?

Eerst leggen camera’s van hoge kwaliteit beelden van de omgeving vast. Van daaruit worden bepaalde vooraf gedefinieerde aspecten van deze beelden verwerkt. Zo zou een machine vision-algoritme kunnen worden getraind om stopborden op foto’s te detecteren. Als het systeem een ​​beeld maakt van een straat met meerdere huizen aan elke kant, zal het alleen zoeken naar de aanwezigheid van een stopbord.

Wat is computer vision?

Computer vision is een toepassing van AI voor het verwerken en analyseren van visuele inhoud zoals afbeeldingen en video. Het belangrijkste doel van computer vision is taakautomatisering. Het stelt een computer in staat visuele inhoud te ‘zien’ en analyseren, vergelijkbaar met hoe een mens dat zou doen. Computer vision wordt vaak gebruikt voor objectidentificatie in verschillende gebieden en toepassingen, variërend van productieomgevingen tot toepassingen in voertuigen (waar we hieronder dieper op ingaan).

Hoe werkt computer vision?

Computer vision werkt door visuele input herhaaldelijk te verwerken en analyseren totdat het algoritme patronen en objecten heeft leren herkennen. Laten we hetzelfde voorbeeld nemen dat we hebben gebruikt voor machine vision. Een computer vision-systeem zou een afbeelding van een straat met meerdere huizen aan elke kant kunnen analyseren. Het zou dan de huizen, de straat en verschillende borden kunnen identificeren, deze data analyseren en concluderen dat het een beeld van een woonstraat is.

Machine vision vs computer vision; hoe verschillend zijn ze?

Met zoveel overeenkomsten en overlap tussen de twee velden kan het moeilijk zijn ze van elkaar te onderscheiden. Laten we er dieper op ingaan en kijken naar de overeenkomsten en verschillen.

Beeldverwerking versus -analyse:

Een van de grootste verschillen tussen machine vision en computer vision is de manier waarop visuele input wordt gebruikt. Machine vision wordt gebruikt om de belangrijkste informatie in een beeld te verwerken op basis van waar het algoritme op is getraind om naar te zoeken. Computer vision vergt daarentegen aanzienlijk meer verwerking en analyseert het hele beeld.

Machine vision wordt vaak gebruikt voor geautomatiseerde taken. Het werkt softwarematig met vaste, strikte parameters die de camera’s precies vertellen waar ze op moeten letten. Een computer kan bijvoorbeeld worden getraind om snel bepaalde defecten in producten op een productielijn te herkennen, zodat deze kunnen worden verwijderd.

Computer vision heeft echter niet dezelfde parameters. Als je een foto ziet van een persoon die je nog nooit eerder hebt gezien, kun je hem als persoon herkennen, ook al heb je zijn gezicht nog nooit gezien. Op dezelfde manier worden computer vision-algoritmen gevoed met grote hoeveelheden informatie om deze te ‘leren’ hoe bepaalde objecten te herkennen. Hierbij wordt nagebootst hoe mensen beelden verwerken. Hierdoor wordt computer vision vaak gebruikt voor complexere taken zoals beeldclassificatie.

Machine vision herkent delen van afbeeldingen. Computer vision herkent afbeeldingen en trekt er daarnaast ook conclusies uit.

Visuele media: 

Machine vision kan alleen beelden verwerken die zijn gemaakt door de camera’s van het systeem. Computer vision kan echter meerdere vormen van visuele input verwerken, inclusief afbeeldingen en video’s uit meerdere bronnen, zoals camera’s, bewegingsdetectoren, thermische sensoren, radar en LiDAR.

Realtime versus historische beelden:

Machine vision en computer vision werken beide op basis van visuele input die door videocamera’s wordt vastgelegd. Machine vision is echter beperkt tot het verwerken van beelden die zijn vastgelegd door de camera’s van het systeem. Computer vision kan reeds bestaande visuele media verwerken. Als de applicatie alleen opgeslagen media hoeft te analyseren, in plaats van beelden die in realtime zijn vastgelegd, heeft het computer vision-systeem geen camera’s nodig.

Geïntegreerd vs standalone gebruik:

Omdat ze specifieke software nodig hebben, kunnen machine vision-systemen niet op zichzelf werken. Ze moeten worden geïntegreerd in een groter systeem. Veel machine vision-systemen worden ook naast computer vision gebruikt. Computer vision-systemen kunnen daarentegen als stand-alone oplossing worden gebruikt.

Voorbeelden van machine vision

• Kwaliteitsborging: Omdat machine vision taken sneller maakt en automatiseert, wordt het vaak gebruikt voor visuele inspectie op productielijnen. Met een machine vision-systeem leggen camera’s beelden vast van producten op de productielijn en productieafwijkingen detecteren, zoals voedselverpakkingen die niet goed zijn gesloten of onderdelen van een product die niet goed zijn gesoldeerd.
• Sorteren van objecten: sorteermachines voor tomaten gebruiken machine vision om de tomaten te sorteren op kleur. Als de camera detecteert dat de kleur van de tomaat groen is of anderszins ongeschikt is voor het doel waarvoor het gebruikt gaat worden, kan het product vervolgens snel en automatisch worden verwijderd.

Voorbeelden van computer vision

• Productieveiligheid: Door het gebruik van computer vision worden productieomgevingen veiliger gemaakt door live videobeelden te analyseren. Het kan detecteren of het personeel al dan niet persoonlijke beschermingsmiddelen draagt, zoals reflecterende vesten, veiligheidshelmen, handschoenen of een veiligheidsbril.
• Voertuigen: Veel moderne auto’s beschikken over objectherkenning die gebruik maakt van computer vision. Rijbaandetectie is bijvoorbeeld een meer voorkomende optie geworden. Deze technologie identificeert wegmarkeringen en bestuurders die de lijnen naderen of overschrijden, helpen door de auto zachtjes terug naar de juiste rijstrook te leiden.

Op zoek naar jouw AI vision-oplossing, of heb je vragen over machine vision vs computer vision? Bekijk onze lijn machine vision-computers, die ook ideaal zijn voor computer vision-toepassingen, en neem contact op met OnLogic. Voor meer informatie kun je de klantcases van Artemis Vision en Flasheye lezen. Daarin kun je zien hoe OnLogic het platform werd voor hun oplossingen voor respectievelijk machine vision en computer vision.