04 August 2020

Cameranu.nl : Een halen, Twee betalen


Een bedrijf is zo sterk als zijn zwakste schakel. Een ketting breekt op het punt waar de zwakste schakel zit. Bij het bedrijf cameranu.nl is de zwakste schakel de administratie. Wat is er aan de hand?
 
Ik had een camera plus lens gekocht bij camernu.nl. Ik had er nooit eerder iets besteld. Ik had dit bedrijf gekozen op aanraden van een fotograaf en omdat ze als enige de mogelijkheid boden om te betalen bij aflevering. Je kunt dan de bestelling controleren en als alles klopt betaal je. Geen risico. Bovendien leek het me wel zo veilig om in coronatijd thuis te laten bezorgen. De koerier, die met een bestelwagen van Cameranu kwam, wist niet dat de klant aan de deur moest betalen. De chauffeur liep al terug naar zijn wagen, toen we hem nariepen dat we nog moesten betalen. Nogal slordig. Heeft hij niet goed naar de factuur gekeken? Of heeft cameranu.nl heeft het er niet opgezet? Hoe dan ook: in beide gevallen nogal slordig.

Ik had een review geschreven op een beoordelingswebsite op verzoek van het bedrijf zelf. Om het bedrijf te helpen maakte ik melding van het feit dat de chauffeur niets van betalen bij aflevering wist. Dat laatste is natuurlijk niet in het belang van het bedrijf. Voor de klant heeft dat geen nadeel. Ruim een maand later kreeg ik een 'betalingsherinnering':

Dat is even schrikken. Of ik binnen 7 dagen wilde betalen. Gelukkig had ik nog het betaalbewijs van hun eigen mobiele pinautomaat en mijn bankafschrift. Ik mailde dat naar het bedrijf met een CC naar de fotograaf die mij Cameranu had aanbevolen. Want ik vond dat hij het ook moest weten. Ondertussen was ik niet al te gerust op een goede afloop. In mijn dromen zag ik al deurwaarders met geweld mijn woning binnendringen om de betaling ter plekke af te dwingen of persoonlijke eigendommen in beslag te nemen. Vijf dagen later kreeg ik het verlossende bericht:

Conclusie: bijna 5 weken na de aankoop is de betaling nog niet verwerkt. En het kostte 5 dagen nadat ik de betalingsbewijzen had opgestuurd om in de administratie te achterhalen of ik betaald had. Niet handig voor het bedrijf zelf. En niet klantvriendelijk.
Het is allemaal zo makkelijk te voorkomen: even controleren of er al betaald is voordat je een herinnering stuurt. Opgeteld: 3 of 4 fouten in totaal. Voor een enkele bestelling. Ik begrijp nu de klachten die je op het internet kunt vinden. Zou de directeur van dit soort fouten weten? Zo ja, wat gaat hij hier aan doen? Zo niet, hoe kan hij dan een bedrijf managen?

De essentie van boekhouden:
  • mensen een factuur sturen die nog niet betaald hebben,
  • mensen die wel betaald hebben geen herinnering sturen
Vroeger heb ik zo'n soort fout waarschijnlijk ook wel eens gemaakt. Eerst doen, en dan pas nadenken. Maar ik heb geen bedrijf dat afhankelijk is van een goede reputatie. Ze maken geen camera's, het zijn dozenschuivers. Dus: wat moeten ze als eerste in orde hebben? Ik erger mij mateloos aan dit soort fouten. U moet maar Uw eigen conclusie trekken.
In het algemeen: de samenleving zou toch een stuk prettiger zijn als mensen gewoon hun werk deden. Er zouden in ieder geval geen klachtencommissies en klachtenwebsites nodig zijn.

De volgende blogpost gaat weer over fotografie!

31 July 2020

De Sony 70-350 telezoom gebruiken voor macro en sterrenfotografie

Gewone Oeverlibel (detail) (GK)
Gewone Oeverlibel (detail) ©GK

Gewone Oeverlibel (detail) ©GK
Vleugel Gewone Oeverlibel (detail) ©GK

Bovenstaande detail foto's zijn gemaakt met de Sony 70-350 telezoom lens. Het is helemaal geen macrolens maar geeft desondanks verrassend goede details bij maximale zoom. De afstand tot de libel was ongeveer 2 meter.

Detail rups Groot Koolwitje (641x577)©GK
 
De rups van het Groot Koolwitje op ongeveer 2 meter afstand met maximale zoom gefotografeerd. Letterlijk haarscherpe haartjes. Niet uitvergroot, alleen veel weggesneden.

Gewone smalboktor (1776x1162 pixels) ©GK

Deze Gewone smalboktor zat op het dak van mijn auto. Een schone achtergrond zonder hinderlijke grassprietjes en blaadjes. Daardoor lijkt het wel een studio opname! Genomen op de kleinst mogelijke afstand (plm. 1 meter).

Klein geaderd witje detail (1/400; f8; ISO:1000) ©GK
948x732 pixels (rest is weggesneden)


Bij het Klein geaderd witje is de voelspriet met zebrapadtekening goed te zien. De spriet eindigt in een knobbel (kenmerk van dagvlinders). Op het oog van de vlinder zie je meerdere donkere cirkelvormige vlekken.
Voor dit soort details heb je geen macro nodig. Als je nog verder wilt inzoomen en alles scherp wilt hebben, heb je wel een macro nodig. Want met deze lens kun je niet scherpstellen als je dichter dan 1 tot 1,5 meter bij je onderwerp bent.
Al deze foto's zijn uit de hand genomen. Geen statief gebruikt. Afstand minimaal 1,5 meter. Die grote afstand is juist voordelig om insecten te fotograferen. Je jaagt ze minder snel weg. Veel macro lenzen hebben aanzienlijk korte brandpunten: 35, 50, 85mm. Dat lijkt me een behoorlijk nadeel. Voor bepaalde onderwerpen die je dicht kunt benaderen zijn macro lenzen beter omdat ze dan nog meer detail geven.

Sterrenfotografie

Je kunt deze lens ook gebruiken voor sterrenfotografie:

Jupiter met 4 manen aan de avondhemel
30 juli 2020 22:26.
1/30 f6.3 ISO 65.535 350mm

Zelfde foto met nabewerking op de PC.
Afstand van linker t/m rechter maan: 386 pixels

Ik zag een heldere ster. Ik wilde testen of ik en de ingebouwde stabilisatie van de lens de ster als een scherp lichtpuntje kon afbeelden. Wanneer er beweging was, zou je het als streepje of vage vlek moeten zien. Wat ik zag was Jupiter met 4 manen! De lens leunend op het dakraampje, dus zonder statief. Dit doe je normaal met statief. Maar de Sony A6400 heeft een waanzinnig hoog ISO bereik (lichtgevoeligheid van de sensor) die oploopt tot 12.800 en software-matig zelfs tot 102.400. Normale onderwerpen fotografeer je bij ISO 200 of 400. Mijn 9 jaar oude digitale Sony A580 heeft een maximum ISO van 12.800 (niet aan te bevelen!). Die hoge ISO stand genereert wel ruis (zie 1e foto). Dat is niet erg voor dit soort foto's. Het voordeel is dat je een sluitertijd kunt bereiken van 1/30 sec. Dat is nog steeds lang, maar kennelijk samen met de ingebouwde lensstabilisatie voldoende om redelijk scherpe beelden te krijgen van Jupiter en zijn 4 manen. Zie de twee foto's. Scherpstelling handmatig.

De maan geeft veel details te zien:

veel details te zien op de maan
1/4000 sec f7.1 ISO 2000
breedte van de maan: 700 pixels
uit de hand gefotografeerd.

Veel kraters te zien op de maan:

Maan detail. f/8.0 1/2500 sec. ISO 1250

Alle foto's zijn niet uitvergroot, maar de omgeving is weggesneden. Klik op de foto's voor groter formaat. De opnames zijn nog iets te verbeteren door andere sluitertijden/ISO/diafragma combinatie/statief/stabilisatie/tijdstip op de avond/helderheid van de hemel, etc.
Maar het punt is dat deze foto's aantonen wat je kunt bereiken met het Sony 70-350 mm objectief in combinatie met de Sony A6400 camera. Voor normaal gebruik van deze lens zie mijn vorige blogs.
Hartelijk dank voor uw belangstelling! Voor commentaren zie onder.

Vorige blogs

22 July 2020

Tesla beeldherkenning en ObsIdentify beeldherkenning: steeds beter, maar maken nog steeds klassieke fouten (10)

Tesla autopilot is gebaseerd op beeldherkenningssoftware. ObsIdentify is beeldherkenningssoftware die dieren en planten herkent. Beide worden ze continu verbeterd, en beide begrijpen nog steeds niets van de wereld. Ze maken daardoor bizarre blunders.

 
De baas van Tesla, Elon Musk, wordt met iedere update van het autopilot systeem [1] zelfverzekerder. Hij noemt het 'superhuman'. Het Tesla autopilot systeem herkent fietsers, voetgangers, personenauto's, vrachtwagens, pylons [2], stoplichten. Maar hoe beter het systeem  lijkt te werken, des te groter de verwachtingen dat het 'superhuman' is en geen fouten maakt. En het systeem zal fouten maken die een mens nooit maakt en zal vele onverwachte blunders maken omdat het niets van de wereld begrijpt en alleen maar razendsnelle berekeningen kan maken. Enthousiaste Tesla rijders hebben geen ervaring met de beperkingen van dat soort software. Ze zetten regelmatig YouTube filmpjes op het internet waarbij ze de autopilot software aan hebben staan tijdens het rijden op de openbare weg. Maar de werkelijkheid op de openbare weg is gecompliceerder en onvoorspelbaarder dan de makers van de software hebben voorzien. Een voorbeeld is een bocht te krap nemen waardoor de banden nog net tegen een beschadigde stoeprand met scherpe breukvlakken aanrijden! Gevolg: schade aan de band. Een mens weet dat je scherpe stoepranden beter kunt vermijden. Dit filmpje bevat vele vermakelijke en leerzame voorbeelden:
"autopilot is confused: what is it? a cone, a person? a bike? Is it a child close, or a adult far away? First decelerates and then run over her!"
Hij doet testen met poppen, niet met zijn dochtertje! Hij denkt dat de software ziet en denkt als een mens. Hij zal voor nog meer verrassingen komen te staan. Net als de ingenieurs die het systeem programmeren en trainen.

De uitdaging voor een AI systeem in een rijdende auto in de echte driedimensionale wereld met vele onafhankelijk bewegende objecten is vele male groter dan een systeem als ObsIdentify dat stilstaande beelden moet beoordelen. Het Tesla systeem moet real-time objecten herkennen. Dat wil zeggen: onderscheid maken tussen object en omgeving. Bewegende objecten als fietsers zijn makkelijker van hun omgeving te scheiden want zij bewegen zich door hun omgeving. ObsIdentify heeft altijd te maken met stilstaande objecten in hun omgeving. ObsIdentify doet voor zover mijn ervaring geen poging het object te scheiden van zijn omgeving. Dat is te merken aan de fouten die het maakt. Bijvoorbeeld deze foto van de Zeearend. Dit is een enorme roofvogel die in toenemende mate in Nederland broedt, vooral in de Oostvaardersplassen, Biesbosch en het Lauwersmeer.

Zeearend (origineel G.J. IJzerman) ObsIdentify=100%
800x600 pixels.
 
De Zeearend in deze foto wordt met 100% zekerheid herkend. Hij is als object prachtig geïsoleerd van zijn omgeving. Herkent O de zeearend echt? Laten we de achtergrond eens een andere kleur geven. We kiezen een roze tint (html code #FF27FF). Dat komt in de natuur niet voor, maar het blijft een zeearend, niet waar? Die kleur geeft een dramatische verslechtering van het zekerheidspercentage van 100% naar 36,5%.

 ObsIdentify: Zeearend 36,5% (#FF27FF)

O ziet nog steeds een Zeearend maar is erg onzeker.

  ObsIdentify: Laatvlieger 36,6% (#FF26FF)

Als we de kleur stapsgewijs veranderen ziet ObsIdentify opeens een vleermuis: de Laatvlieger. Het omslagpunt ligt bij #FF27FF (Zeearend) naar #FF26FF (Laatvlieger).
Dus: een voor de mens onzichtbaar kleurverschil in de achtergrond van dezelfde zeearend doet O switchen van Zeearend met zekerheid 36,5% naar Laatvlieger met zekerheid 36,6%. Dit is reproduceerbaar. Geen toevallige misser. NB: de Laatvlieger is een vleermuis! Ook al weet je niets van vogels of dieren in het algemeen, een mens zou niet eens opmerken dat het hier om twee verschillende foto's gaat. Laat staan dat de eerste een zeearend is en de tweede een vleermuis is. Zeker: de achtergrondkleur is volkomen idioot. Maar O reageert er wèl op. Het toont nog eens aan dat O geen onderscheid maakt tussen dier en achtergrond.

En het blijft niet bij 1 andere soort, bij een bepaalde oranje achtergrondkleur ziet Obs opeens een Continentale aalscholver. Een totaal andere soort! Het is niet eens een roofvogel.

ObsIdentify: Zeearend 25,7% (kleur: #FF5000)

ObsIdentify: Continentale Aalscholver 24,8% (kleur: #FF4900)

Ook hier ligt het omslagpunt Zeearend/Aalscholver reproduceerbaar bij de kleinst mogelijke stap die kleurencodesysteem van html toestaat. Het verbaast me nog steeds. Ik zou beter moeten weten. Een voor de mens onzichtbaar kleurverschil in de achtergrond is voor O aanleiding om er een totaal andere soort van te maken. Wel met lage zekerheid voor beide. Dat wel. En dat is typerend: deze kleur maakt O onzeker. Hij twijfelt sowieso of het een Zeearend is puur op basis van de achtergrond. Dat wil zeggen: wij weten dat het de achtergrond is. Dat deze fout niet wordt veroorzaakt door mijn ingreep in de foto blijkt uit het feit dat O met een witte achtergrond een zeearend ziet met 99,9% zekerheid.

Hoe kan dit? O is niet dom! O herkent de meeste op de zeearend lijkende roofvogels met grote zekerheid: Visarend, Dwergarend, Arendbuizerd, Buizerd, Wespendief, Keizerarend, Slangenarend. Maar O vergist zich niet zoals een mens die een Wespendief verwart met een Buizerd. O vergist zich bizar en onbegrijpelijk. Als je dit niet door hebt, zoals de Tesla-rijder van het YouTube filmpje, dan ben je behoorlijk naïef.

De hamvraag: zijn dit soort fouten gewoon vermijdbare bugs of is het een inherente eigenschap van een overigens succesvolle techniek?

Noten

  1. Zie voor ongelukken met Tesla 'autopilot' hier.
  2. In een andere testrit ziet de autopilot meerdere malen random cones (pylons) op de weg die er helemaal niet zijn! Hij reageert er kennelijk niet op. Er valt dus nog wat te verbeteren!


Vorige post over dit onderwerp

Dit is de 10e aflevering in de serie over beeldherkenner ObsIdentify. De vorige was: