Basis van Computer Vision — Machines Leren Zien

Hoe Zien Machines? 👀

Je werpt een blik op een foto en herkent meteen een hond, een auto of het gezicht van je beste vriend. Je brein doet dit moeiteloos — maar voor een computer is "zien" een ongelooflijk complexe taak.

Computer vision is het vakgebied binnen AI dat machines het vermogen geeft om visuele informatie uit de wereld te interpreteren en te begrijpen — afbeeldingen, video's en live camerabeelden.

---

Van Pixels naar Kenmerken 🔍

Voor een computer is een afbeelding niets meer dan een raster van getallen.

Wat een Pixel Is

• Een grijswaarden-afbeelding is een 2D-raster waarin elke cel een waarde heeft van 0 (zwart) tot 255 (wit)
• Een kleurenafbeelding heeft drie lagen (kanalen): Rood, Groen en Blauw — gestapeld op elkaar
• Een typische smartphonefoto (12 MP) bevat 12 miljoen pixels — dat zijn 36 miljoen getallen voor een kleurenafbeelding!

# Loading an image and viewing its pixel values
from PIL import Image
import numpy as np

img = Image.open("dog.jpg")
pixels = np.array(img)

print(f"Image shape: {pixels.shape}")
# Output example: (480, 640, 3) → 480 rows, 640 columns, 3 colour channels

print(f"Total pixel values: {pixels.size:,}")
# Output example: 921,600

# A single pixel in the top-left corner
print(f"Top-left pixel (R, G, B): {pixels[0, 0]}")
# Output example: [142, 178, 225] — a light blue sky pixel

Van Pixels naar Kenmerken

Ruwe pixelwaarden zijn op zichzelf betekenisloos. De AI moet kenmerken detecteren — betekenisvolle patronen:

• Laagniveau-kenmerken: randen, hoeken, kleurverlopen
• Middenniveau-kenmerken: texturen, vormen, onderdelen (ogen, wielen, ramen)
• Hoogniveau-kenmerken: volledige objecten (gezicht, auto, gebouw)

Zie het als leren lezen: eerst leer je letters (laagniveau), dan woorden (middenniveau) en vervolgens zinnen en betekenis (hoogniveau).

---

Convolutionele Neurale Netwerken (CNN's) 🧠

Het Convolutioneel Neuraal Netwerk is het werkpaard van computer vision. Laten we een intuïtie opbouwen voor hoe het werkt — geen zware wiskunde nodig.

Het Kernidee: Schuivende Filters

Stel je voor dat je een klein vergrootglas (van bijvoorbeeld 3×3 pixels) op een afbeelding plaatst en het over elke positie schuift. Op elke positie zoekt het filter naar een specifiek patroon — een verticale rand, een horizontale lijn, een bocht.

Elk filter produceert een nieuwe afbeelding genaamd een featuremap die laat zien waar dat patroon is gevonden.

CNN-lagen (Visuele Intuïtie)

| Laag | Wat Het Doet | Analogie | |------|-------------|----------| | Convolutioneel | Schuift filters over de afbeelding om kenmerken te detecteren | Een detective die elke centimeter van een plaats delict onderzoekt met een vergrootglas | | Activatie (ReLU) | Behoudt alleen de sterke signalen, verwijdert ruis | Belangrijk bewijs markeren en afleidingen negeren | | Pooling | Verkleint de featuremaps met behoud van belangrijke informatie | Een hoofdstuk samenvatten in kernpunten | | Volledig Verbonden | Combineert alle kenmerken om een eindbeslissing te nemen | De jury beraadslaagt en komt tot een uitspraak |

# Building a simple CNN with TensorFlow/Keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    # First convolutional layer: 32 filters, 3x3 each
    Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D(pool_size=(2, 2)),

    # Second convolutional layer: 64 filters
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),

    # Flatten and classify
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax'),  # 10 classes
])

model.summary()

---

De Drie Taken van Computer Vision 🎯

1. Beeldclassificatie

Vraag: "Wat staat er op deze afbeelding?"

Het model kent één enkel label toe aan de volledige afbeelding: "kat", "auto", "pizza".

Dit is wat je hebt geleerd bij AI Sprouts — geef het model een afbeelding en je krijgt een label terug.

2. Objectdetectie

Vraag: "Welke objecten zijn hier, en waar bevinden ze zich?"

Het model tekent begrenzingskaders rond elk object en labelt ze. Dit is wat zelfrijdende auto's gebruiken om voetgangers, verkeersborden en andere voertuigen te lokaliseren.

3. Beeldsegmentatie

Vraag: "Welke exacte pixels horen bij welk object?"

Het model kleurt elke pixel met zijn objectklasse. Dit levert pixelperfecte contouren op — essentieel voor medische beeldvorming (tumorcontouren) en AR-filters (je gezicht scheiden van de achtergrond).

# Using a pre-trained object detection model
# This uses YOLO (You Only Look Once) — one of the fastest detectors

# Pseudocode for clarity
def detect_objects(image_path):
    """Detect and label objects in an image."""
    model = load_pretrained_model("yolov8")
    image = load_image(image_path)

    results = model.predict(image)

    for detection in results:
        print(f"Object: {detection.label}")
        print(f"  Confidence: {detection.confidence:.1%}")
        print(f"  Location: {detection.bounding_box}")
        print()

# Example output:
# Object: person
#   Confidence: 97.2%
#   Location: (120, 50, 340, 480)
# Object: bicycle
#   Confidence: 89.5%
#   Location: (200, 300, 450, 520)

---

Toepassingen in de Echte Wereld 🌍

🚗 Zelfrijdende Auto's

• Meerdere camera's voeden tegelijkertijd beelden aan CV-modellen
• De AI detecteert rijstroken, verkeersborden, voetgangers en andere voertuigen
• Combineert computer vision met LiDAR (lasersensoren) en radar voor 360°-bewustzijn
• Bedrijven: Waymo, Tesla, Cruise

🧑 Gezichtsherkenning

• Brengt unieke gelaatstrekken in kaart (afstand tussen ogen, kaakvorm, neusbrug)
• Gebruikt voor telefoonontgrendeling (Face ID), beveiliging op luchthavens en foto-organisatie
• Controverse: zorgen rond massasurveillance, raciale vooroordelen in nauwkeurigheid, toestemmingskwesties

📱 AR-filters (Snapchat / Instagram)

• Detecteert gezichtsoriëntatiepunten in real-time (68+ punten op je gezicht)
• Volgt je gezicht terwijl het beweegt en legt digitale content erover
• Maakt gebruik van lichte modellen geoptimaliseerd voor mobiele processors

🏭 Kwaliteitscontrole in de Industrie

• Camera's op productielijnen detecteren defecte producten
• Signaleert krassen, deuken of uitlijnfouten sneller dan menselijke inspecteurs
• Draait 24/7 zonder vermoeidheid

---

Hands-on: Voorspellingen van een Voorgetraind Model Begrijpen 🔬

Je hoeft geen model helemaal zelf te trainen om met computer vision te experimenteren. Voorgetrainde modellen zoals ResNet, MobileNet of EfficientNet hebben al geleerd van miljoenen afbeeldingen.

# Using a pre-trained model to classify an image
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.applications.mobilenet_v2 import (
    preprocess_input, decode_predictions
)
from tensorflow.keras.preprocessing import image
import numpy as np

# Load pre-trained MobileNetV2 (trained on ImageNet — 1000 classes)
model = MobileNetV2(weights='imagenet')

# Load and preprocess an image
img = image.load_img("photo.jpg", target_size=(224, 224))
img_array = preprocess_input(
    np.expand_dims(image.img_to_array(img), axis=0)
)

# Get predictions
predictions = model.predict(img_array)
top_3 = decode_predictions(predictions, top=3)[0]

print("Top 3 Predictions:")
for rank, (id, label, confidence) in enumerate(top_3, 1):
    bar = "█" * int(confidence * 40)
    print(f"  {rank}. {label}: {confidence:.1%} {bar}")

# Example output:
#   1. golden_retriever: 92.3% █████████████████████████████████████
#   2. Labrador_retriever: 4.1% ██
#   3. cocker_spaniel: 1.8% █

Wat je Kunt Verkennen

1. Probeer verschillende afbeeldingen — hoe gaat het model om met ongebruikelijke hoeken of belichting?
2. Test grensgevallen — wat gebeurt er met wazige afbeeldingen, tekeningen of optische illusies?
3. Controleer de betrouwbaarheid — betekent een hoge betrouwbaarheidsscore altijd dat de voorspelling correct is?
4. Zoek naar vooroordelen — werkt het model even goed voor diverse onderwerpen?

---

De Ethiek van Computer Vision ⚖️

Grote kracht brengt grote verantwoordelijkheid met zich mee:

• Surveillance: Gezichtsherkenning maakt massasurveillance zonder toestemming mogelijk
• Vooroordelen: Onderzoeken tonen aan dat veel CV-systemen minder nauwkeurig zijn voor vrouwen en mensen met een donkere huidskleur
• Deepfakes: AI kan nepbeelden en -video's genereren die er realistisch uitzien, van echte mensen
• Privacy: Camera's zijn overal — straat-CCTV, deurbellen, drones — en AI maakt het eenvoudig om individuen op grote schaal te identificeren

De technologie zelf is neutraal — het gaat erom hoe wij ervoor kiezen om haar in te zetten.

---

Snelle Samenvatting 🎯

1. Computers zien afbeeldingen als rasters van getallen — pixels met Rode, Groene en Blauwe waarden
2. CNN's gebruiken schuivende filters om automatisch kenmerken te detecteren, van randen tot objecten
3. De drie kerntaken zijn classificatie (wat?), detectie (wat en waar?) en segmentatie (labels op pixelniveau)
4. Echte toepassingen zijn onder meer zelfrijdende auto's, gezichtsherkenning, AR-filters en kwaliteitscontrole
5. Voorgetrainde modellen zoals MobileNetV2 laten je experimenteren zonder zelf te hoeven trainen
6. Ethiek — vooroordelen, surveillance, deepfakes en privacy — moet leidend zijn bij de inzet van computer vision

---

Wat Komt Hierna? 🚀

Je hebt nu drie krachtige takken van AI verkend: toepassingen in de gezondheidszorg, natuurlijke taalverwerking en computer vision. Dit zijn de fundamenten waarop echte AI-ingenieurs elke dag bouwen. In komende lessen duiken we in AI in de creatieve kunsten — hoe machines muziek, kunst en verhalen genereren!