Co to jest Computer Vision? Jak AI „widzi”, kontroluje i wykrywa wady

1. Co to jest Computer Vision i jak działa?

⚡ W jednym zdaniu

Computer Vision (wizja komputerowa, widzenie komputerowe) to dziedzina AI, w której algorytmy analizują obrazy lub wideo — rozpoznają obiekty, wykrywają wady i klasyfikują je.

💡 Jak to rozumieć

Kontroler jakości patrzy na produkt i porównuje go z wzorcem, który ma w głowie: wie, jak powinien wyglądać dobry egzemplarz, i szuka odchyleń. Computer Vision działa na podobnej zasadzie — tyle że wzorcem nie jest doświadczenie, tylko tysiące oznaczonych zdjęć. Kamera rejestruje obraz produktu, a algorytm porównuje go z tymi zdjęciami i klasyfikuje: produkt prawidłowy lub wadliwy.

Efekt: każdy egzemplarz sprawdzony w ułamku sekundy — pierwszy tak samo jak tysięczny.

Ale uwaga — Computer Vision nie „myśli” jak człowiek. Nie „rozumie”, czym jest rysa. „Nauczył się”, że pewien wzorzec pikseli na obrazie oznacza wadę, bo ktoś mu to wcześniej pokazał na setkach przykładów. Jeśli pojawi się wada, której nie było w danych treningowych — system może jej nie wychwycić. Dlatego skuteczność CV zależy od ich jakości i różnorodności (więcej w sekcji 4).

🔧 Dla dociekliwych

Computer Vision jako dziedzina badawcza istnieje od lat 60. XX wieku — pierwsze eksperymenty polegały na próbach rozpoznawania prostych kształtów geometrycznych. Przez dekady postępy były powolne, bo ręcznie projektowane algorytmy (tzw. feature engineering — np. filtry krawędzi Sobela, deskryptory SIFT, HOG) nie radziły sobie z naturalną zmiennością obrazów: różne oświetlenie, kąt, tło — i algorytm przestawał działać.

Przełom nastąpił w 2012 roku, gdy sieć neuronowa AlexNet wygrała konkurs ImageNet Large Scale Visual Recognition Challenge z wynikiem znacząco lepszym od klasycznych metod. Od tego momentu głębokie uczenie (Deep Learning — por. Co to jest Sztuczna Inteligencja?) zdominowało Computer Vision.

Kluczowa architektura to CNN — konwolucyjna sieć neuronowa (Convolutional Neural Network). Działa na zasadzie warstw filtrów, które przesuwają się po obrazie i wyodrębniają cechy — od najprostszych (krawędzie, gradienty kolorów) w pierwszych warstwach, po złożone (kształty, tekstury, obiekty) w głębszych. Sieć nie wymaga ręcznego definiowania cech — jest trenowana na danych i wyodrębnia je samodzielnie.

Główne rodzaje zadań w Computer Vision:

• Klasyfikacja obrazu — „co jest na tym zdjęciu?” (np. produkt OK vs produkt wadliwy)
• Detekcja obiektów — „gdzie na zdjęciu są obiekty i co to za obiekty?” (np. znalezienie wszystkich rys na powierzchni i zaznaczenie ich ramką)
• Segmentacja — „który piksel należy do jakiego obiektu?” (np. dokładne obrysowanie konturu wady lub pomiar jej powierzchni)

W zastosowaniach przemysłowych (inspekcja wizualna) najczęściej stosuje się detekcję obiektów i klasyfikację: kamera rejestruje obraz, model CNN klasyfikuje go jako „OK” lub „wada” i — w przypadku wady — zaznacza jej lokalizację na obrazie.

2. Czym Computer Vision różni się od OCR?

⚡ W jednym zdaniu

OCR rozpoznaje tekst na obrazie i zamienia go na edytowalne znaki. Computer Vision rozpoznaje obiekty, wady, sceny — wszystko to, co nie jest tekstem.

💡 Jak to rozumieć

OCR i Computer Vision to dwie różne odpowiedzi na to samo pytanie: „co jest na tym obrazie?”.

OCR odpowiada: „na tym obrazie jest tekst — oto co jest napisane”. Wyciąga litery, cyfry, słowa. Dzięki temu skan faktury staje się plikiem, w którym można wyszukiwać i kopiować tekst (por. Co to jest OCR, NLP i jak AI czyta dokumenty?).

Computer Vision odpowiada inaczej: „na tym obrazie jest produkt — i ma rysę na lewej krawędzi”. Albo: „na tym zdjęciu parkingu jest 47 samochodów”. Albo: „ten element jest zamontowany krzywo o 3 stopnie”.

Prosta zasada: jeśli chcesz wyciągnąć tekst z dokumentu — potrzebujesz OCR. Jeśli chcesz, żeby system przeanalizował obraz i na tej podstawie coś sklasyfikował — potrzebujesz Computer Vision.

W praktyce obie technologie mogą się uzupełniać — np. na linii pakowania Computer Vision sprawdza, czy etykieta jest na właściwym miejscu, a OCR odczytuje, co na niej pisze (data ważności, numer partii). To dwa narzędzia, nie konkurenci.

🔧 Dla dociekliwych

Technicznie OCR można uznać za wąskie zastosowanie Computer Vision — w końcu rozpoznawanie liter na obrazie to też „widzenie komputerowe”. Ale w praktyce branżowej te pojęcia żyją osobno, bo rozwiązują różne problemy i wymagają różnych danych treningowych.

OCR operuje na znakach alfanumerycznych — model trenowany jest na milionach przykładów liter i cyfr w różnych fontach, rozmiarach i jakościach. Wyjście to tekst strukturalny.

Computer Vision w zastosowaniach przemysłowych operuje na cechach wizualnych specyficznych dla danego produktu lub procesu. Model trenowany jest na zdjęciach konkretnych produktów — np. płytek ceramicznych, elementów metalowych, opakowań — z oznaczonymi wadami. Wyjście to klasyfikacja (OK/wada), lokalizacja (ramka wokół wady) lub pomiar (odchylenie od normy w milimetrach).

Współczesne modele multimodalne (np. klasy Vision-Language Models) zacierają tę granicę — potrafią jednocześnie „czytać” tekst i „rozumieć” kontekst wizualny. Ale w zastosowaniach wymagających powtarzalności i certyfikowalności (jak inspekcja jakości) dominują wyspecjalizowane modele CV, trenowane na danych z konkretnego procesu.

3. Gdzie firmy stosują Computer Vision?

⚡ W jednym zdaniu

Firmy stosują Computer Vision w kontroli jakości, logistyce, bezpieczeństwie i budownictwie — wszędzie tam, gdzie decyzja zależy od tego, co widać na obrazie.

💡 Jak to rozumieć

Computer Vision w biznesie to nie abstrakcyjna technologia z laboratorium. To narzędzie, które firmy wdrażają, bo rozwiązuje realne, mierzalne problemy.

Kontrola jakości w produkcji — to najbardziej dojrzałe zastosowanie. BMW stosuje system AIQX (Artificial Intelligence Quality Next) w swoich fabrykach w Niemczech. Kamery rozmieszczone wzdłuż linii montażowej rejestrują każdy pojazd i sprawdzają, czy elementy są prawidłowo zamontowane — od osłony wycieraczek po trójkąt ostrzegawczy w bagażniku. Wcześniejsze systemy kamerowe mylnie sygnalizowały problem, gdy na elemencie był np. pył lub ślad oleju. System oparty na głębokim uczeniu odróżnia prawdziwą wadę od zanieczyszczenia. Efekt: szybsza inspekcja i mniej niepotrzebnych zatrzymań linii.

Volvo Cars od 2020 roku korzysta z systemu Atlas (opracowanego przez UVeye) w fabryce w Torslandzie w Szwecji. Kamery wykonują skan 360 stopni każdego zmontowanego pojazdu na końcu linii montażowej i wykrywają wady kosmetyczne — rysy, wgniecenia — o średnicy nawet 0,5 milimetra. Wynik pojawia się na ekranie operatora natychmiast, ze wskazaniem dokładnej lokalizacji.

Logistyka i magazyn — Computer Vision identyfikuje paczki, kontroluje stany magazynowe na podstawie zdjęć półek i weryfikuje kompletność wysyłek. Tam, gdzie trzeba jednocześnie sprawdzić pozycję etykiety i odczytać jej treść, CV współpracuje z OCR (por. Co to jest OCR, NLP i jak AI czyta dokumenty?).

Bezpieczeństwo i BHP — systemy CV monitorują, czy pracownicy noszą wymagany sprzęt ochronny (kask, kamizelka, okulary). BMW używa takiego systemu w fabryce w Dingolfing.

Budownictwo i inspekcja infrastruktury — drony wyposażone w kamery i CV analizują postęp prac budowlanych, porównując zdjęcia z planem. Komatsu, japoński producent maszyn budowlanych, we współpracy z NVIDIA wdrożył system CV do monitorowania ruchu pracowników i maszyn na placu budowy. Drony z CV coraz częściej zastępują też ręczną inspekcję trudno dostępnych obiektów — turbiny wiatrowe, linie energetyczne, mosty, elewacje budynków — skracając czas kontroli z dni do godzin.

🔧 Dla dociekliwych

System BMW AIQX opiera się na sieciach neuronowych, które dla każdej kontrolowanej cechy mają dostęp do ok. 100 zdjęć referencyjnych — zdjęcia prawidłowego elementu, zdjęcia z pyłem, z olejem, z faktyczną wadą. Dzięki temu sieć odróżnia tzw. pseudo-wady (zanieczyszczenie, które wygląda jak defekt) od prawdziwych problemów. To rozwiązanie, które wcześniejsze systemy kamerowe — oparte na sztywnych regułach, nie na uczeniu — realizowały znacznie gorzej. BMW stosuje te systemy od 2018 roku i rozszerza je na kolejne fabryki.

Warto zwrócić uwagę na różnicę między CV w kontrolowanych warunkach (fabryka: stałe oświetlenie, stały kąt kamery, powtarzalny produkt) a CV w środowisku otwartym (budowa, droga, pole uprawne). W kontrolowanych warunkach modele CV osiągają bardzo wysoką trafność — pod warunkiem, że dane treningowe pokrywają rzeczywistą zmienność produkcji (różne serie, różne materiały, różne źródła wad). W środowisku otwartym zmienność jest znacznie większa i modele wymagają częstszego douczania.

Wdrożenie CV daje jednak więcej niż samą automatyzację inspekcji. Każdy obraz przetworzony przez system to informacja: rodzaj wady, częstotliwość, lokalizacja na produkcie, zmiana (która zmiana ma więcej wad?), linia (która linia generuje więcej odchyleń?). Te dane zasilają dashboardy i analitykę i pozwalają doskonalić cały proces — nie tylko reagować na pojedyncze wady (por. Co to jest optymalizacja procesów? — sekcja o KPI).

4. Jak działa Computer Vision — dane, trening, trafność

⚡ W jednym zdaniu

Computer Vision działa na zasadzie porównywania nowego obrazu z wzorcami wyodrębnionymi z tysięcy oznaczonych zdjęć treningowych.

💡 Jak to rozumieć

Żeby system CV klasyfikował rysę jako wadę, musi zostać wcześniej wytrenowany na odpowiednich przykładach. Nie wystarczy zdefiniować regułę „szukaj rys”. Trzeba dostarczyć oznaczone zdjęcia produktów — część z wadami, część bez — i przy każdym oznaczyć: „tu jest rysa”, „tu jest dobrze”. W przypadku BMW AIQX wystarczyło ok. 100 zdjęć na kontrolowaną cechę. Dokładna liczba zależy od złożoności problemu i tego, czy model jest trenowany od zera, czy dostrajany na bazie istniejącego (transfer learning — więcej w sekcji 🔧).

Ten proces nazywa się etykietowaniem (labeling). Człowiek przegląda zdjęcia i oznacza na nich interesujące cechy — obrysowuje wady ramką, zaznacza regiony, przypisuje kategorie. To żmudna praca, ale od niej zależy jakość całego systemu.

Gdy model ma wystarczająco dużo oznaczonych przykładów, jest trenowany — algorytm wyodrębnia wzorce, które odróżniają produkt dobry od wadliwego. Po treningu otrzymuje nowe zdjęcie (którego nie było w zbiorze treningowym) i na tej podstawie klasyfikuje je: OK lub wada.

Co wpływa na jakość modelu:

• Reprezentatywność danych — im rzadsza wada, tym trudniej zebrać wystarczająco dużo przykładów. Jeśli wada zdarza się raz na tysiąc sztuk, zebranie materiału treningowego może potrwać tygodnie.
• Jakość zdjęć — rozdzielczość, oświetlenie, kąt kamery. System trenowany na zdjęciach z idealnym oświetleniem może dawać nietrafne wyniki, gdy warunki na linii się zmienią.
• Różnorodność — zdjęcia muszą pokrywać naturalną zmienność: różne serie produktów, różne kolory, różne rodzaje wad. Model trenowany tylko na rysach nie wykryje pęknięcia.
• Jakość etykiet — jeśli człowiek oznaczający zdjęcia pomyli wadę z dopuszczalnym śladem produkcji, model odwzoruje ten błąd w swoich wynikach.

Wniosek jest prosty: trzeba wiedzieć, czego szukać, i mieć odpowiednie zdjęcia do treningu. Bez jasno zdefiniowanego problemu wizualnego i bez danych treningowych — żadna kamera i żaden algorytm nie pomogą.

🔧 Dla dociekliwych

W praktyce rzadko trenuje się model od zera. Standardem jest transfer learning — wykorzystanie modelu, który został wcześniej wytrenowany na dużym zbiorze danych (np. ImageNet — miliony zdjęć, tysiące kategorii), a następnie dostrojenie go (fine-tuning) na mniejszym zbiorze specyficznym dla danego zastosowania.

Dzięki transfer learningowi model ma już wytrenowane podstawowe cechy wizualne (krawędzie, tekstury, kształty) i potrzebuje znacznie mniej danych, by zostać dostrojony do wykrywania określonego typu wady. To oznacza, że pilotażowe wdrożenie CV może rozpocząć się już od kilkudziesięciu oznaczonych zdjęć na cechę, a nie od tysięcy.

Popularne architektury w inspekcji przemysłowej to rodziny modeli: ResNet, EfficientNet (klasyfikacja), YOLO, Faster R-CNN (detekcja obiektów), U-Net, Mask R-CNN (segmentacja). Wybór architektury zależy od zadania: czy wystarczy odpowiedź „OK/wada” (klasyfikacja), czy potrzebna jest lokalizacja wady na obrazie (detekcja), czy precyzyjny obrys (segmentacja).

Istotne ograniczenie: nierównowaga klas (class imbalance). Jeśli w zbiorze treningowym 99% zdjęć to produkty prawidłowe i tylko 1% wadliwe, model optymalizowany na ogólną skuteczność będzie klasyfikować wszystko jako „OK” — osiągając 99% poprawnych odpowiedzi, ale pomijając wszystkie wady. Standardowe techniki radzenia sobie z tym problemem to augmentacja danych (sztuczne powiększanie zbioru wadliwych zdjęć przez obroty, odbicia, zmiany jasności), nadpróbkowanie klasy mniejszościowej (oversampling) oraz dobór odpowiedniej funkcji straty, która silniej penalizuje model za pominięcie wady niż za fałszywy alarm.

5. Od czego zacząć wdrożenie Computer Vision w firmie?

⚡ W jednym zdaniu

Zacznij od jednego, jasno zdefiniowanego problemu wizualnego — jednego typu wady, jednego produktu, jednej linii — i zbierz zdjęcia, zanim zaczniesz szukać technologii.

💡 Jak to rozumieć

Firmy rozważające Computer Vision najczęściej zaczynają od pytania: „ile to kosztuje?”. Ale właściwe pierwsze pytanie brzmi: „co dokładnie chcesz wykrywać?” Bo Computer Vision to nie jest gotowy produkt, który kupujesz i podłączasz — to rozwiązanie budowane pod jasno zdefiniowany problem (por. Co to jest automatyzacja?).

Jak podejść do wdrożenia krok po kroku:

1. Zdefiniuj problem wizualny. Kluczowa jest precyzja: „wykrywanie rys na powierzchni elementu X po szlifowaniu” albo „weryfikacja kompletności paczki przed wysyłką” — nie ogólnie „kontrola jakości”. Im węziej, tym lepiej.
2. Zbierz zdjęcia. Zanim wydasz złotówkę na algorytm, sprawdź, jakie dane już masz. Zdjęcia pozytywnych i negatywnych przykładów, w odpowiedniej jakości i z pokryciem różnych wariantów — to fundament, od którego zależy skuteczność modelu.
3. Pilotaż, nie wdrożenie. Proof of Concept (test koncepcji): czy model wytrenowany na zebranych zdjęciach daje wystarczająco trafne wyniki? Pilotaż pozwala ocenić wykonalność, zanim zainwestujesz w infrastrukturę i integrację z procesem.
4. Oceń wyniki uczciwie. Trafność 95% brzmi dobrze — ale pytaj nie o procent, tylko o konsekwencje: ile przypadków system pominie i ile poprawnych oznaczy błędnie.
5. Skaluj. Gdy pilotaż potwierdzi wykonalność — wdrażaj w docelowym środowisku: odpowiedni sprzęt, integracja z istniejącym procesem, monitoring działania modelu w czasie. Model wymaga okresowej aktualizacji, bo warunki się zmieniają.

Rozważasz wdrożenie Computer Vision? Pomagamy firmom w Polsce, Niemczech i całej UE ocenić, czy ich problem wizualny nadaje się do automatyzacji — od analizy dostępnych danych, przez dobór architektury modelu, po integrację z istniejącym procesem.

— Perspektywa cm-opti

🔧 Dla dociekliwych

Wdrożenie CV w firmie to inwestycja w infrastrukturę danych, nie tylko w technologię. Koszty zależą od trzech czynników:

• Dane treningowe — zebranie i oznaczenie zdjęć to często największy koszt, szczególnie gdy wymaga ekspertyzy branżowej (np. tylko doświadczony specjalista wie, co na zdjęciu jest wadą, a co dopuszczalną normą).
• Infrastruktura — kamery, oświetlenie (w przypadku stacjonarnych systemów), drony (w przypadku inspekcji infrastruktury), serwer do inferencji lub rozwiązanie edge computing.
• Integracja z procesem — system CV musi mieć skonfigurowany wyzwalacz (kiedy zrobić zdjęcie) i kanał komunikacji wyniku (np. alert dla operatora, sygnał do automatycznego odrzucenia lub raport w panelu zarządczym).

Zwrot z inwestycji (ROI) zależy od kosztu, jaki firma ponosi dziś z powodu problemu, który CV ma rozwiązać — reklamacje, zwroty, przestoje, ręczna inspekcja. Jeśli te koszty są policzalne, ROI da się oszacować jeszcze przed pilotażem.

Warto rozważyć też kilka aspektów technicznych:

Edge vs Cloud. Inferencja (przetwarzanie obrazu przez model) może odbywać się na serwerze w chmurze lub bezpośrednio na urządzeniu w terenie (edge computing). Edge daje niższe opóźnienie (milisekundy zamiast sekund) i działa bez połączenia z internetem — co w środowisku przemysłowym czy na placu budowy bywa wymagane. Chmura daje większą elastyczność w skalowaniu i aktualizacji modeli.

MLOps i monitorowanie. Model CV nie jest „wdróż i zapomnij”. Warunki się zmieniają — nowe produkty, nowi dostawcy, inne oświetlenie, sezonowość. Trafność modelu może spadać z czasem (tzw. data drift). Potrzebny jest proces monitorowania wyników i douczania modelu na nowych danych. To element MLOps — operacjonalizacji modeli Machine Learning (por. Słownik pojęć).

Regulacje i dokumentacja. W branżach regulowanych (motoryzacja, medycyna, lotnictwo) system CV może wymagać certyfikacji i pełnej dokumentacji: jakie dane treningowe, jaka architektura modelu, jaka trafność na zbiorze testowym, jak wygląda procedura w przypadku niezgodności. EU AI Act klasyfikuje niektóre zastosowania CV (np. w medycynie) jako systemy wysokiego ryzyka — co oznacza dodatkowe wymagania dotyczące przejrzystości i dokumentacji. Przy dużej ilości dokumentacji regulacyjnej pomocne mogą być systemy RAG, które pozwalają szybko odnaleźć odpowiedni przepis.

Integracja z procesem (por. Co to jest integracja systemów?). System CV to nie samodzielna wyspa — musi komunikować się z resztą infrastruktury: systemem sterowania produkcją (PLC), systemem magazynowym (WMS) czy systemem zarządzania jakością. Łącznikiem są API i protokoły komunikacyjne — w środowisku przemysłowym najczęściej OPC UA lub MQTT, w pozostałych REST API.

Najczęściej zadawane pytania (FAQ)

Co to jest Computer Vision prostymi słowami?

Computer Vision (wizja komputerowa) to technologia, która pozwala komputerowi analizować obrazy — wykrywać obiekty, identyfikować wady, liczyć przedmioty na zdjęciu. Działa na zasadzie treningu na przykładach: system otrzymuje setki zdjęć z oznaczonymi elementami i na tej podstawie klasyfikuje nowe obrazy.

Czy Computer Vision zastąpi kontrolera jakości?

To zależy od procesu. W przypadku powtarzalnych, dobrze zdefiniowanych kontroli — tak, CV może przejąć tę pracę w całości. W przypadku ocen wymagających doświadczenia i osądu — np. przypadki graniczne, nowe typy wad, decyzje o dopuszczeniu — potrzebny jest człowiek. W praktyce wiele firm redukuje liczbę kontrolerów na linii, zostawiając ekspertów do nadzoru i doskonalenia procesu.

Ile zdjęć potrzeba, żeby wdrożyć Computer Vision?

Zależy od złożoności problemu. Dzięki transfer learningowi (wykorzystanie modelu wstępnie wytrenowanego na dużych zbiorach) pilotaż można rozpocząć już od kilkudziesięciu oznaczonych zdjęć na cechę. Pełne wdrożenie wymaga więcej danych, pokrywających różne typy wad i zmienne warunki.

Jakie są zastosowania Computer Vision w biznesie?

Kontrola jakości na linii produkcyjnej (wykrywanie wad), logistyka (identyfikacja paczek, kontrola stanów), bezpieczeństwo i BHP (monitoring sprzętu ochronnego), budownictwo i inspekcja infrastruktury (analiza z dronów). Wdrożenie zaczyna się od jednego, dobrze zdefiniowanego problemu wizualnego.

Czy małą firmę stać na Computer Vision?

Pilotażowe wdrożenie CV nie wymaga budżetu korporacji. Koszty zależą od złożoności problemu, jakości istniejących zdjęć i wymaganej integracji z procesem. Pierwszy krok to ocena, czy problem nadaje się do CV — to można zrobić bez inwestycji w infrastrukturę.

Rozważasz wdrożenie Computer Vision w swojej firmie? Porozmawiajmy — pomożemy ocenić, czy Twój problem wizualny nadaje się do automatyzacji i od czego warto zacząć.

Powiązane artykuły w Bazie wiedzy cm-opti

• Co to jest Sztuczna Inteligencja?
• Co to jest optymalizacja procesów?
• Co to jest automatyzacja?
• Co to jest OCR, NLP i jak AI czyta dokumenty?
• Co to jest RAG i Agent AI?
• Co to jest integracja systemów?
• Co to jest analiza danych i BI?

Pojęcia wyjaśnione w tym artykule → Słownik pojęć

Computer Vision (wizja komputerowa), CNN (Convolutional Neural Network), transfer learning, etykietowanie (labeling), klasyfikacja obrazu, detekcja obiektów, segmentacja, edge computing, data drift, class imbalance, augmentacja danych, feature engineering

Źródła i odniesienia

• System AIQX (BMW) — oficjalny komunikat prasowy BMW Group, 2019.
• System Atlas / UVeye (Volvo Cars) — Assembly Magazine, 2021.
• AlexNet — Krizhevsky, Sutskever, Hinton, NeurIPS 2012.