Datorseende – så förstår datorer bilder
För robotar
Datorseende är det område inom datavetenskap som handlar om att bygga datorer som automatiskt kan bearbeta och förstå innehållet i digitala bilder. Med "förstå" menas att specifik information extraheras från en bild beroende på vilken uppgift som ska lösas. Det kan handla om att identifiera ett ansikte i ett foto, läsa en skylt på en bil eller upptäcka ett fel på en produktionslina. Datorseende är ett av de snabbast växande forskningsområdena inom artificiell intelligens och används redan i allt från mobiltelefoner till självkörande fordon.
Datorseende förklarat – vad det är
Datorseende är ett delområde av datalogi som arbetar med att bygga "seende datorer". Målet är att en maskin automatiskt ska kunna bearbeta digitala bilder och extrahera användbar information ur dem. Indata är vanligen tvådimensionella bilder från en eller flera kameror, men även tredimensionella bilder är av stort intresse, särskilt inom medicinsk bildbehandling och kvalitetskontroll.
Området är starkt tvärvetenskapligt. Det rör samman biologi, neurovetenskap och visuell perception med matematik för perspektivavbildning, rörelseekvationer och statistiska modeller för inlärning och beslutsfattande. Effektiva algoritmer krävs för att snabbt kunna bearbeta stora datavolymer.
Datorseende kan också ses som ett övergripande område som inkluderar bildbehandling, bildanalys och bildkompression. Bildbehandling handlar om operationer där både indata och utdata är bilder. Bildanalys gör kvantitativa mätningar och klassificerar bilder utan perspektivavbildning. Ett komplett seende datorsystem innehåller vanligen flera typer av sådana operationer tillsammans med genuina datorseendemetoder.
Hur datorseende fungerar steg för steg
En dator "ser" inte en bild på samma sätt som en människa gör. För en dator är en bild en matris av siffror som representerar färg och ljusstyrka för varje bildpunkt. Datorseende omvandlar dessa siffror till meningsfull information genom flera steg:
- Bildinsamling – En eller flera kameror tar digitala bilder som indata.
- Förbearbetning – Bilden kan justeras, till exempel genom att minska buller, korrigera belysning eller ändra storlek.
- Funktionsextrahering – Algoritmer letar efter kanter, hörn, former, färger eller texturer i bilden.
- Klassificering – Den extraherade informationen jämförs med mönster som systemet tidigare har lärt sig.
- Beslut – Datorn fattar ett beslut baserat på vad den har identifierat, till exempel att ett objekt är en katt eller att en produkt har ett tillverkningsfel.
Moderna datorseendesystem bygger i stor utsträckning på maskininlärning, särskilt djupa neurala nätverk som kan lära sig mönster från miljontals exempelbilder utan att vara explicit programmerade för varje detalj. Läs mer om grunderna i vår artikel om maskininlärning för nybörjare.
Vanliga datorseendeuppgifter
Det finns flera standarduppgifter inom datorseende:
- Objektklassificering – Att avgöra vad som finns i en bild, till exempel om det är en hund eller en katt.
- Objektdetektering – Att hitta och markera var ett eller flera objekt finns i en bild, ofta med en ruta runt varje objekt.
- Bildsegmentering – Att dela upp en bild i olika regioner, till exempel att skilja förgrund från bakgrund eller markera varje enskild pixel som tillhör ett visst objekt.
- Ansiktsigenkänning – Att identifiera eller verifiera en persons identitet utifrån ett ansiktsfoto.
- Optisk teckenläsning (OCR) – Att omvandla tryckt eller handskriven text i en bild till maskinläsbar text.
- Rörelseuppskattning – Att följa objekt över tid i en videosekvens.
Datorseende i praktiken – exempel och tillämpningar
Datorseende används redan i många vardagliga tjänster. Mobiltelefoner använder det för att låsa upp skärmen med ansiktet, för att sudda ut bakgrunden i videomöten och för att kategorisera foton i bildbiblioteket. Inom hälso- och sjukvård hjälper datorseende läkare att analysera röntgenbilder, MR-scannar och patologiska preparat. Inom tillverkningsindustrin upptäcker systemet fel på produkter på löpande bandet snabbare och mer konsekvent än mänskliga inspektörer.
Självkörande fordon är ett av de mest kända exemplen. Där kombineras kameror med datorseende för att känna igen trafikskyltar, upptäcka fotgängare, följa filmarkeringar och bedöma avstånd till andra fordon. Inom säkerhetsbranschen används datorseende för övervakning och intrångsdetektering, medan det inom jordbruket kan användas för att övervaka grödor och upptäcka skadedjur.
Varför datorseende är svårt
Datorseende är fortfarande ett forskningsområde i snabb utveckling, och det finns flera skäl till att det är tekniskt utmanande. Den information som är tillgänglig i en bild är vanligen endast indirekt information – reflekterat ljus från objekten som studeras. Dessutom innebär perspektivprojektionen en dimensionsförlust från den tredimensionella verkligheten till en tvådimensionell bild.
Ljusförhållanden, vinklar, dolda delar av objekt och varierande bakgrunder gör att samma objekt kan se helt olika ut beroende på när och hur det fotograferas. För människor är det enkelt att känna igen en stol oavsett om den ses ovanifrån eller från sidan, men för en dator krävs avancerade modeller för att hantera sådana variationer.
Datorseende och AI – skillnaden och sambandet
Datorseende och artificiell intelligens är nära sammanflätade men inte samma sak. Datorseende handlar specifikt om att tolka visuell information, medan AI är ett bredare område som omfattar alla typer av intelligenta system, från språkmodeller till rekommendationsalgoritmer. Idag bygger de flesta avancerade datorseendesystem på AI, särskilt maskininlärning och djupinlärning, men det går också att bygga enklare datorseendesystem med regelbaserade metoder utan AI. För en bredare introduktion till området finns vår artikel om förklarbar AI.
Vanliga frågor om datorseende
Behöver man AI för datorseende?
Inte nödvändigtvis. Enkla datorseendeuppgifter kan lösas med traditionella bildbehandlingsmetoder, men för komplexa uppgifter som ansiktsigenkänning eller objektdetektering i varierande miljöer är maskininlärning i stort sett oumbärlig.
Vad är skillnaden mellan bildbehandling och datorseende?
Bildbehandling omvandlar en bild till en annan bild, till exempel genom att öka kontrasten. Datorseende extraherar information från en bild och fattar beslut baserat på den informationen.
Var används datorseende idag?
I mobiltelefoner, säkerhetssystem, medicinsk bildanalys, industriell kvalitetskontroll, självkörande fordon och jordbruk, för att nämna några exempel.
Är datorseende ett färdigt forskningsområde?
Nej, det utvecklas fortfarande snabbt och nya tillämpningar presenteras hela tiden.
Relaterade artiklar

Förklarbar AI – så blir artificiell intelligens begriplig
Förklarbar AI gör AI-beslut begripliga för människor. Här förklarar vi varför det behövs, hur det fungerar och vilka metoder som används.
Läs artikeln
Generative AI i affärsvärlden 2026 – En praktisk guide för företag
Generative AI har snabbt etablerat sig i affärsvärlden under 2024-2025. Här lär du hur företag kan använda verktygen, undvika risker och bygga en hållbar AI-strategi.
Läs artikeln
AI-agent: Så fungerar agentisk intelligens
AI-agenter är system som kan ta egna initiativ, lösa komplexa problem och agera autonomt – en evolution av den traditionella AI:n.
Läs artikeln
API-säkerhet med AI – Skydda dina integrationspunkter mot AI-hoten
Som AI blir en integrerad del av moderna system, ökar också riskerna för AI-baserade attacker mot API:er. Lär dig hur du skyddar dina integrationspunkter.
Läs artikeln