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
دیدگاهی بنویسید