« بیشتر تلاش می کنیم تا با ما مطمئن پژوهش کنید. »روشهای قسمتبندی تصویر
Thresholding: این روش در هر جا که اطلاعات دامنهای تصویر بطور مؤثر بتواند موضوعات مختلف موجود در آن را بیان کند، مفید واقع میشود. با انتخاب ناحیه یا ناحیه هایی از فضای دامنه نقاط میتوانیم یک یا چند موضوع را از بقیه جدا کنیم. نحوه انتخاب شدتهای روشنایی ؛ دامنه نقاط ، مهمترین مرحله در این روش میباشد.
نام گذاری مؤلفهها : اساس کار این روش بر بررسی اتصال پیکسلها با پیکسل های مجاور میباشد. به این صورت که پیکسلهایی را که به هم متصل هستند بهعنوان یک موجود مستقل در نظر گرفته و نامگذاری میکنند و هنگامی که اتصال بههم بخورد، یک موجود جدید شناسایی میشود، این روش را نامگذاری پیکسل گویند.
روشهای مبتنی بر مرز: روشهایی که مرز اشیاء را مشخص میکنند، نوعی تقسیمبندی روی اجزای تصویر میتوانند انجام دهند. به این صورت که با پیگیری هر مرز میتوان یک شیء را تفکیک کرد و بهعنوان یک قسمت از تصویر در نظر گرفت.
روشهای مبتنی بر ناحیهها : ایده اصلی در روش مبتنی بر ناحیهها این است که ناحیههایی از تصویر را که دارای خصوصیات مشابه میباشند شناسایی نماییم.
روشهای دستهبندی به دو گروه تقسیمبندی میشوند:
- روش با حضور ناظر
- روش بدون حضور ناظر.
با حضور ناظر: روشهای تحت نظارت ممکن است Distribution-Free یا آماری باشند. روشهای Distribution-Free روشهایی هستند که نیازی به دانستن توابع توزیع احتمال را ندارند. در حالیکه روشهای آماری بر اساس مدلهای احتمالاتی عمل میکنند.
بدون حضور ناظر: در این روش سعی میشود تا خوشهبندی یا به عبارت دیگر گروهبندی طبیعی نقطهها، در فضای مشخصهها انجام پذیرد. یک خوشه ، مجموعه ای از نقاط در فضای مشخصههاست که چگالی محلی آنها در مقایسه با چگالی نقاط ناحیه احاطه کننده آن، نسبتاََ زیاد باشد. روش خوشهای هم برای قسمتبندی تصویر وهم برای دستهبندی اطلاعات خام برای ایجاد کلاسها و الگوهای اساسی مناسب می باشد. همچنین خوشه برای فشرده سازی اطلاعات نیز کاربرد دارد.
روشهای پردازش تصویر در بینایی ماشین
شمارش پیکسل: شمارش تعدادی از پیکسلهای تیره و روشن ؛ منظور از پیکسل های تیره و روشن، سطوح خاکستری درتصاویر grayscale میباشد .
آستانه:یک تصویر که دارای تنهای متفاوت خاکستری است به سادگی به سیاه و سفید تبدیل میشود، یا از تفکیک و جداسازی بر پایه یک ارزش مقیاس خاکستری استفاده میشود.
تقسیم بندی : پارتیشنبندی یک تصویر دیجیتالی در داخل بخشهای متعدد برای سادهسازی و یا تغییر نمایش یک تصویر به طوریکه در قالبی قابل فهم و آسان جهت آنالیز باشد.
کشف حباب و دستکاری :بررسی یک تصویر برای اینکه حبابهایی از پیکسل های تصویر که شاخص نشانههای تصویری هستند را مجزا کند. این حبابها اغلب نشان دهنده اهداف نوری برای دستگاه : ماشین، ضبط رباتیک یا کوتاه کردن چرخه تولید میباشد.
تشخیص الگو : شامل تطبیق الگو، پیدا کردن، تطابق و یا شمارش الگوهای خاص می باشد. این امر میتواند شامل مکان یک جسم باشد که این جسم ممکن است شامل چرخش و یا جزئی پنهان از شیء دیگر یا تفاوت در سایز آنها باشد.
بارکد : ماتریس داده و خواندن کد 2D
تشخیص کاراکتر نوری : خواندن خودکار متن مانند: شماره سریال
اندازه گیری: اندازه گیری ابعاد شیء
تشخیص لبه : پیدا کردن لبه های شیء
پردازش شبکههای عصبی : وزندهی و ایجاد تصمیمگیری چند متغیره
فیلتر کردن : به عنوان مثال مورفولوژیکی فیلترینگ
خروجی سیستمهای بینایی ماشین
خروجی معمول که در سیستمهای بینایی ماشین به چشم میخورد، عبور ؛ شکست تصمیمات است. دیگر خروجیهای رایج عبارتند از: موقعیت جسم و اطلاعات مربوط به جهتگیری از سیستم هدایت ربات است. علاوه بر این، انواع خروجیها عبارتند از:
- دادههای اندازهگیری عددی، اطلاعات خوانده شده از کدها و حروف، نمایش روند یا نتایج، تصاویر ذخیره شده، سیگنالهای کنترل فرایند.
- هدف از بینایی ماشین ایجاد یک مدلی از جهان واقعی از تصاویر می باشد.
- یک سیستم بینایی ماشین، اطلاعات مفیدی درباره یک صحنه از طریق تصویر دو بعدی که در اختیار داریم را بازیابی میکند.
- جهان سه بعدی است.
- تصاویر دیجیتالی دو بعدی
- دانش در مورد اشیاء ؛ نواحی ، در یک صحنه و طرح هندسی مورد نیاز است.
- اطلاعاتی که به طور متفاوت بسته به نوع کاربردها بازیابی میشود.
- تصاویر ماهوارهای، پزشکی و غیره.
مراحل بینایی ماشین
در نهایت بایستی گفت که مراحل بینایی ماشین را به صورت خلاصه میتوان اینگونه بر شمرد:
- تبدیل آنالوگ به دیجیتال
- حذف نویز ؛ الگوها بهبود وضوح
- پیدا کردن نواحی در تصویر
- گرفتن سنجش و اندازهای از اشیاء و روابط
در نظر گرفتن موارد فوق از طریق توصیف شباهتهایی از اشیاء شناخته شده ؛ مدل، انجام میشود.
سرعت واكنش سیستم بینایی ماشین
زمان مورد نياز براي تصميمگيري توسط ماشين بينايي بستگي به اندازه ماتريس تصوير يا زمان پردازش لازم در كارت تصويرگير و نوع دوربين دارد. دوربينهايي نوع لاچكي كه با استاندارد Rs-170 كار ميكنند تعداد 30 تصوير در ثانيه توليد ميكنند كه اين تصاوير بر روي مونيتورهاي موجود در بازار قابل نمايش هستند. چنانچه از استاندارد Rs-170 استفاده نشود ميتوان تعداد تصاوير در ثانيه را پنج تا ده برابر افزايش داد. دوربينهاي حالت جامد ميتوانند در زمان بسيار كوتاه معادل ؛ ميكرو ثانيه تصويرگيري كنند زمان لازم جهت خواندن سيگنال تصوير از سنسور دوربين بستگي به اندازه ماتريس سنسور سرعت پردازش و پهناي باند سيستم دارد. با استفاده از تكنيكهاي پردازش موازي ميتوان زمان پردازش را متناسب با تعداد پردازشگرهاي موازي كاهش داد.
زمان واكنش سيستم بينايي انسان در حدود 6% ثانيه يا 16/1 ثانيه ميباشد اين موضوع توسط اين حقيقت تائيد ميشود كه وقتي تصاوير، با سرعت 30 عدد در ثانيه يك صحنه متحرك را نشان ميدهند چشم انسان قادر به تشخيص انقطاع بين تصاوير نيست .سيستمهاي ماشين بينايي مورد استفاده در صنعت كه براي كنترل بر چسب روي بطريها بكار ميرود ميتوانند با سرعتي معادل 900 بطري در دقيقه يا در صورت يك بطري در 7% ثانيه كار كنند. البته ميتوان با گرفتن تصاويري كه بيش از يك بطري را در بر ميگيرد سرعت كنترل را بيش از اين نيز افزايش داد. سرعت چشم انسان براي انجام كار مشابه حداكثر 60 بطري در دقيقه ميباشد كه اين سرعت در اثر خستگي و شرايط نامساعد محيطي كاهش نيز مييابد.
بطور خلاصه تصويرگيري توسط ماشين بينايي تقريبا 10 برابر سرعت بينايي انسان ميباشد اين نسبت با پيشرفت تكنولوژي در علوم الكترونيك رو به افزايش مي باشد در حاليكه سرعت چشم انسان مقدار مشخصي است سرعت انجام فرايند كامل توسط ماشين بينايي در حدود 15 برابر چشم انسان ميباشد.
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