فناوری بینایی ماشین

بينايي ماشين  يكي از شاخه­هاي نوين علوم كامپيوتري است كه امروزه با افزايش دوربين هاي فيلمبرداري ديجيتال ارزان قيمت با كيفيت و بکارگیری این دوربین­ها در سیستم­های حفاظتی، نظارتی و اتوماسیون­ها منجربه افزايش نياز براي تحليل­ها وتصمیم­گیری­های خودكار ويديويي را در پی داشته علاقه­مندي­هاي زيادي را نسبت به خود ايجاد كرده است که باعث پيشرفت سريع و قابل توجه اين شاخه شده است. یکی از اهداف اصلی بینایی ماشین قادر ساختن رایانه به انجام عملکردهای پایه چشم انسان مانند درک حرکت و درک صحنه می باشد. بينايي ماشين با تركيب روش­هاي مربوط به پردازش تصوير  و ابزارهاي يادگيري ماشيني  ، رايانه را قادر به درك هوشمند معنا و محتواي تصاوير مي­كند.

كليات سيستم

کليه سيستم­­های کنترل اتوماتيک اساسا از يک دوربين، يک کامپيوتر مجهز به بورد رابط و يک سيستم نوردهی و حسگر تشکيل می­شوند. چنين سيستمی، ماشين بينايی ناميده می­شود که در اندازه گيری و بررسی محصولات کشاورزی و مواد غذايی موفق عمل کرده است. ماشين بينايی از لحاظ کارايی در صنعت مواد غذايی، جزو ١٠ صنعت برتر استفاده کننده از اين فنآوری است. پيشرفت­های اخير در سخت افزار و نرم افزار، به لحاظ مطالعات بيشتر و توليد لوازم ارزانتر، به توسعه اين سيستم در صنعت مواد غذايی کمک کرده است. صرفه اقتصادی، دايم بودن، سرعت بالا، دقت و غير مخرب بودن، دلايل مهم رشد در اين صنعت می­باشند .

ماشين بينايی علاوه بر بررسی نمونه در نور مرئی، قادر به بررسی در نورهای نامرئی مانند نور NIR،UV  و IR می­باشد. اطلاعات گرفته شده از اجسام در نور نامرئی در تشخيص ميزان رسيدگی محصول، کيفيت و نوع محصول بسيار مفيد می­باشد. همچنين در تعيين کيفيت و عيوب، ترکيبات و خصوصيات اساسی و تشخيص بيماری پس از برداشت، بسيار مورد استفاده قرار می­گيرد. فناوری ماشين بينايی، بهره وری را افزايش داده، هزينه­ها را کاهش می­دهد و کيفيت بهتر و مطمئن­تری را برای مصرف کننده فراهم می­کند . منظور از کيفيت، مجموعه تمام صفاتی است که در صورت جمع شدن آنها در يک مجموعه، محصولی مورد قبول مصرف کننده توليد می شود. فاکتورهای طراحی آن، وابسته به اندازه و رنگ محصول و نيز ويژگی­های بارز آن بوده با تغيير آن ها، اين فاکتورها متفاوت خواهند بود.

يك سيستم ماشين بينايي شامل تمام اجزاء لازم بمنظور تهيه ، تعريف ديجيتالي يك تصوير تغيير و اصلاح داده ها و ارائه نمايش داده هاي تصويري ديجيتالي به دنياي بيرون مي باشد چنين سيستمي چنانچه در يك محيط صنعتي بكار گرفته شود ، ممكن است به دليل اينكه متصل به ساير تجهيزات خط توليد مي باشد بسيار پيچيده بنظر مي رسد ولي اگر چنانچه با توجه به نقش و وظيفه سيستم بينايي اجزاء اصلي تشكيل دهنده آن بيان شوند ، مشخص خواهد شد كه پيچيدگي زيادي در سيستم وجود ندارد. در ادامه جزییات بینایی ماشین را به همراه سایر ویژگی های این فناوری در حوزه پردازش تصویر را تشریح خواهیم کرد.

بینایی ماشین  (MV)

بینایی ماشین، روند بکارگیری طیف وسیعی از فن آوری­ها و روش­هایی را در فراهم کردن بازرسی خودکار را بر پایه تصویر برداری، کنترل فرایند و هدایت ربات در کاربردهای صنعتی را شامل می­شود. در حالیکه دامنه MV گسترده است و در نظر گرفتن یک تعریف جامع برای ان مشگل است، ما در اینجا یک تعریف کلی و عمومی که در باب بینایی ماشین پذیرفته شده است را بیان می­کنیم: بینایی ماشین شامل تجزیه و تحلیل تصاویر در استخراج داده­ها برای کنترل یک فرایند یا فعالیت.

کاربردهای بینایی ماشین

استفاده­های اولیه برای بینایی ماشین، بازرسی اتوماتیک و هدایت ربات است. برنامه­های کاربردی MVمتداول شامل: تضمین کیفیت، دسته بندی، هدایت ربات، بررسی های عمده و کلی و مقیاس نوری می­باشد.

متدها

روش بینایی ماشین با دو فرایند، تعریف و ایجاد یک راه حل MVحاصل شده است. و به عنوان فرایندی فنی در طول عملیات تعریف و ایجاد راه حل رخ می­دهد. در سال 2006، استاندارد کمی در واسط و تنظیمات مورد استفاده در MV وجود داشت که شامل: واسط­های کاربری و واسط­هایی برای یکپارچه سازی سیستم­های چند جزئی و تبادل خودکار اطلاعات می­باشد. بااین حال اولین قدم در MV، سلسله متوالی از عملیات برای دستیابی به یک تصویر است که به طور معمول با استفاده از دوربین، لنز و نور بوده است، که برای فراهم کردن تمایز مورد نیاز در پردازش­های بعدی طراحی شده است.

پردازش تصویر و بینایی ماشین

هدف بسیاری از کارهای پردازش تصویر این است که ویژگی­های مشخصی از تصویر را استخراج کند، تا بر­اساس این خصایص، تفسیر و تعبیر­هایی از تصویر پدیدار شود و یا تصمیم­گیری انجام پذیرد. این گونه عملیات مخصوصاَََ در حوزه بینایی ماشین مکرراََ مورد استفاده قرار می­گیرند. می­توان شکل کلی یک سیستم بینایی ماشین را در سه گروه اصلی تعریف کرد: استخراج خصایص ، قسمت بندی ، دسته بندی

  • استخراج ویژگی

هر کمیت قابل اندازه­گیری می­تواند همانند یک ویژگی در نظر گرفته شود، که می تواند عددی و یا سمبولیک و یا ترکیبی از هر دو باشد. معمولا ویژگی­های استخراج شده را به شکل یک بردار  نمایش می­دهند. نکات مهم در انتخاب ویژگی عبارتند از: قابل محاسبه باشد، سیستم مورد نظر بتواند بر اساس ان ویژگی کار  کند و این که ویژگی باید مسئله را بهتر کند و در واقع خصوصیات مهم داده را شامل شود.استخراج ویژگی فرایندی است که در آن از اطلاعات اولیه، یکسری خصوصیاتی که برای ارزیابی هدف مورد نیاز می­باشد، استخراج می­شود. یکی از مهم ترین نکات در انتخاب ویژگی این است که ویژگی انتخاب شده باید تحت عملیات چرخشی  و تغییر مقیاس  و جابجایی  ثابت باقی بماند. روش های استخراج ویژگی به چند دسته کلی تقسیم­بندی می­شوند:

استخراج مشخصه ­های مکانی: که شامل مشخصات دامنه­ای و مشخصات مربوط به هیستوگرام می­باشد.

مشخصات دامنه­ای: استخراج مشخصات دامنه­ای به­سهولت به­وسیله انتخاب نقاطی که مقدار سطح خاکستری آن­ها در محدوده یا محدوده­های مشخصی قرار دارد، قابل انجام است. این روش به نام Intensity Window Slicing  معروف است.

مشخصه­های مربوط به هیستوگرام: این مشخصه­ها بر اساس هیستوگرام ناحیه ای از تصویر تعیین می­شود. در واقع مشخصه­های استخراج شده از هر ناحیه از تصویر در این روش، از هیستوگرام ان ناحیه استخراج می­شوند.

استخراج مشخصه­های تبدیلی: بسیاری از مشخصه­های یک ناحیه در حوزه فرکانس و یا در حالت کلی در حوزه یک تبدیل از آن ناحیه مشخص می­شوند.

آشکارسازی لبه­ها: یکی از مسائل اساسی در تجزیه و تحلیل تصاویر است. لبه ها، مرزهای اشیاء را مشخص می­کنند و لذا برای قسمت­بندی تصویر بر اساس اشیاء موجود در آن و نیز تشخیص و شناسایی این اشیاء به­کار برده می­شوند. یک نقطه لبه، نقطه­ای است که در آن تغییر سریع در سطوح خاکستری نقاط مجاور مشاهده می شود. بنابراین با به­کارگیری مکانیزمی برای محاسبه تغییرات سطح خاکستری نقاط در جهات مختلف و تعیین نقاطی که تغییر آن در ­آن­ها ماکسیمم است، می­توانیم نقاط لبه را شناسایی کنیم.

استخراج مرزها: مرز، تشکیل شده از لبه­های به هم پیوسته­ای است که یک شیء را مشخص می­کند. از مرز برای محاسبه ویژگی­های هندسی شیء نظیر: موقعیت و اندازه ابعاد استفاده می­شود. مسئله اول در تشخیص مرز، تشخیص اتصال بین نقاط واقع در لبه است. مسئله دوم پیگیری مرز شیء است و مسئله سوم، پیوند دادن بین نقاط مرزی است که بین آن­ها اتصال قطع شده است. به این عمل اصطلاحاََ Edge Linking گویند.

مشخص کردن ناحیه­ها: ساده­ترین روش برای این کار تعیین نقاطی است که در داخل ناحیه قرار دارند. همچنین می­توانیم مرز ناحیه را مشخص کنیم که در این صورت در مقدار حافظه مورد نیاز صرفه­جویی می­شود. روش دیگر، روش  Run- Lengthcoding است که در این روش تصویر خط به خط پویش می­شود، با رسیدن به هر قطعه از ناحیه در خط مورد نظر، نقطه شروع و تعداد نقاطی که در ادامه این نقطه و متصل به آن به ناحیه تعلق دارند، ذخیره می­شوند. چهارمین روش استفاده از Quad-Tree برای تعیین نقاط متعلق به یک ناحیه است.

گشتاورها: می­توان آن­ها را برای هر ناحیه مورد نظر استخراج و مورد استفاده قرار داد.

 استخراج مشخصه­های هندسی: ویژگی­های هندسی ناحیه مورد نظر را بیان می­کند. برخی از مهم­ترین این مشخصه­ها عبارتند از: محیط، مساحت، مرکز سطح، شعاع­های مینیمم، تعداد گوشه­ها، میزان دایروی بودن، تعداد سوراخ­ها، میزان تقارن و … می باشد.

بافت: بافت عبارت از الگوی ساختاری سطح یک شیء مانند: چوب، ماسه، علفزار و پارچه. عبارت بافت معمولا اشاره دارد به ناحیه­ای که از تکرار یک عنصر بافت  تولید می­شود. یک بافت شامل چندین پیکسل است که مقادیر آن­ها ممکن است متناوب، شبه متناوب و یا تصادفی باشد. بافت­های طبیعی ماهیتاََ تصادفی هستند. در حالیکه بافت­های مصنوعی اغلب متناوب هستند. در کل در تجزیه و تحلیل بافت­ها دو نوع بافت تصادفی و بافت ساختاری را داریم.

استخراج مشخصه­ها بوسیله شبکه­های عصبی خودگردان: این شبکه­ها، شبکه­هایی هستند که در آن­ها یادگیری بدون نظارت صورت می­گیرد و تنظیم وزن­ها با استفاده از اطلاعات محلی انجام می­شود. به این معنی که تغییرات در وزن­های متصل به یک سلول، محدود به همسایگی آن سلول می­شود.

منبع

عرب آبادی،میثم(1393)، استفاده از تکنولوژی بینایی ماشین در ثبت ورود و خروج کالاها،پایان نامه کارشناسی ارشد،مدیریت تکنولوژی، دانشکده اقتصاد، مدیریت و علوم اداری

از فروشگاه بوبوک دیدن نمایید

اگر مطلب را می پسندید لطفا آنرا به اشتراک بگذارید.

دیدگاهی بنویسید

0