Makine görme, endüstriyel veya diğer otomatik ekipmanın görüntülerden elde edilmesini sağlayan bir dizi teknolojinin kaynaşmasıdır. Makine görme yazılımı olmadan, değişen renk değerlerine ve ton yoğunluklarına sahip dijital görüntüler, bu tür ekipmanlara basit, bağlantısız bir piksel koleksiyonundan başka bir şey olamaz. Makine Görüşü, bir bilgisayarın (genellikle bir makine denetleyicisine bağlı), daha üst düzey bir işlemcinin önceden tanımlanmış bir hedef nesneyi tanımasına izin vermek için bu tür görüntülerdeki kenarları ve şekilleri algılamasına izin verir. Bu anlamda görüntüler görünür spektrumdaki fotoğrafik görüntülerle sınırlı değildir; Ayrıca kızılötesi, lazer, röntgen ve ultrasonik sinyaller kullanılarak elde edilen görüntüleri de içerebilirler.
Endüstriyel ortamlarda, makine görme uygulamaları için, malzeme kutularının bir dağınıklığına yerleştirilen birçok parçadan belirli parçaları tanıması oldukça yaygındır. Burada, Makine Görüşü, toplama ve yer robotunun doğru parçaları otomatik olarak almasına yardımcı olur. Tabii ki, parçaların hepsi bir palet üzerinde aynı yönde düzgün bir şekilde düzenlenmişse, bunları görüntüleme geri bildirimleriyle tanımak nispeten basit olacaktır. Bununla birlikte, güçlü makine görme algoritmaları, kameradan farklı mesafelerde (ve bu nedenle görüntüleme sensöründe farklı boyutlu görüntüler olarak görünen) ve kamera ile aynı yönde yönlendirilmemiş nesneleri tanıyabilir.
En sofistike makine görme sistemleri, kutulardan parçaları seçmekten çok daha karmaşık tasarımları etkinleştirdi; Örneğin, kendi kendini süren bir araçtan daha karmaşık bir tanımlama olmayabilir.
Makine Görüşü ile İlgili Teknikler
Makine görme terimi bazen görüntülerden bilgi çıkarabilen daha sofistike ve verimli matematiksel yöntemlere atıfta bulunmak üzere ayrılmıştır. Aksine, bilgisayar görüşü terimi tipik olarak makine öğrenimi veya yapay zeka (AI) kullanan siyah kutu yaklaşımları dahil olmak üzere daha modern, hesaplamalı zorlu sistemleri tanımlar. Bununla birlikte, makine görüşü, görüntülerden üst düzey bilgileri çıkarmanın tüm yöntemlerini içeren her şeyi kapsayan bir terim olarak da kullanılabilir; Bu durumda, bilgisayar görüşü altta yatan çalışma teorisini tanımlar.
Görüntülerden yüksek seviyeli anlam çıkarabilen teknikler bol miktarda. Araştırma topluluğunda, bu tür teknikler genellikle makine görüşünden farklı olarak kabul edilir. Ancak gerçekte, hepsi makine görüşünü uygulamanın farklı yollarıdır ... ve birçok durumda örtüşüyorlar.
Dijital görüntü işleme, görüntü geliştirme, restorasyon, kodlama ve sıkıştırmayı içeren bir dijital sinyal işleme biçimidir. Analog görüntü işleme üzerindeki avantajlar, gürültü ve bozulmanın en aza indirilmesi ve mevcut çok sayıda algoritmadır. İlk görüntü geliştirme türlerinden biri, ay yüzeyinin ilk yakın çekim görüntülerini düzeltmek için kullanıldı. Bu işlemde, fotogrametrik eşlemenin yanı sıra gürültü filtreleri kullanıldı ve görüntüleme kamerasının ay yüzeyine hizalanmasının neden olduğu geometrik bozulmalar için düzeltmeler yapıldı.
Dijital görüntü geliştirme genellikle açıları ve lens bozulmasını görüntülemek için kontrast ve muhtemelen geometrik düzeltmeleri içerir. Sıkıştırma genellikle karmaşık sinyalleri kosinüs fonksiyonlarının bir kombinasyonu olarak yaklaştırarak elde edilir-ayrık kosinüs dönüşümü (DCT) olarak bilinen Fourier dönüşümü. JPEG dosya biçimi DCT'nin en yaygın uygulamasıdır. Görüntü restorasyonu, gürültüyü ve bulanıklığı gidermek için Fourier dönüşümünü de kullanabilir.
Fotogrametri, görüntülerden ölçümleri çıkarmak için bir tür özellik tanıma kullanır. Bu ölçümler, aynı sahnenin birden fazla görüntüsü farklı konumlardan alındığında 3D bilgileri içerebilir. En basit fotogrametrik sistemler, bir görüntüdeki iki nokta arasındaki mesafeyi ölçmek için bir ölçek kullanır. Bunu yapmak için genellikle görüntüye bilinen bir referans ölçeği eklemek gerekir.
Özellik algılama, bilgisayarın görüntüdeki kenarları, köşeleri veya noktaları tanımasını sağlar. Bu, fotogrametri ve nesneleri ve hareketi tanımak için gereken ilk adımdır.
Desen tanıma belirli nesneleri tanımak için kullanılır. En basit durumda, bu, bir konveyör bandında iyi tanımlanmış spesifik bir mekanik parça bulmak anlamına gelebilir.
3D Yeniden Yapılandırma bir nesnenin 3D şeklini 2D görüntüden belirler. Bu özellik fotogrametrik yöntemlerle gerçekleştirilebilir. Bu durumda, ortak özelliklerin yükseklikleri (farklı gözlem noktalarından görüntülerde belirlenir) üçgenleme kullanılarak belirlenir. 3D rekonstrüksiyon da tek başına 2D görüntüler kullanılarak mümkündür; Burada yazılım, kenarlar veya gölgeli alanlar arasındaki geometrik ilişkileri de açıklamaktadır.
İnsanlar, küreleri yeniden yapılandırmak için gölgeli daireler kullanarak çizgi çizimini kullanarak küpleri sadece beyinlerinde işleyerek yeniden yapılandırabilirler. Gölgeleme yüzeyin eğimini gösterir. Bununla birlikte, bu türev işlemi, gölgeleme tek boyutlu bir parametre olduğundan, eğim iki boyutlu bir durumda gerçekleşirken, düşünebileceğinden çok daha karmaşıktır. Bu, belirsiz durumlara yol açabilir - fiziksel olarak imkansız nesneleri tasvir etme sanatı tarafından doğrulanan bir gerçek.
Makine Görüşü Görevleri Nasıl Sıralı
Birçok makine görme sistemi, düşük seviyeli işlemlerle başlayarak ve daha sonra daha üst düzey operasyonlara ilerleyerek yukarıdaki teknikleri aşamalı olarak içerir. En düşük seviyede, bir görüntünün tüm pikselleri yüksek bant genişliği verileri olarak saklanır. Sıradaki her işlem daha sonra görüntü özelliklerini tanır ve nispeten az miktarda veri ile ilgili bilgileri temsil eder.
Birincisi, görüntü geliştirme ve restorasyonun düşük seviyeli çalışması ve ardından özellik algılamasıdır. Böylece, çoklu sensörler kullanılması durumunda, düşük seviyeli işlemler ayrı sensörler için uzmanlaşmış dağıtılmış işlemlerle gerçekleştirilebilir. Özellikler tek tek görüntülerde tespit edildikten sonra, birden fazla görüntü ve sensörden gelen birleşik verilere dayanan herhangi bir nesne tanıma veya diğer görevde olduğu gibi daha gelişmiş fotogrametri gerçekleştirilebilir.
Doğrudan hesaplama ve öğrenme algoritmaları
Makine görüşü durumunda, doğrudan hesaplama programcı tarafından tanımlanan bir dizi matematiksel fonksiyondur. Bu işlevler, görüntü piksel değerleri gibi girişleri alır ve nesne kenarı koordinatları gibi çıktılar üretir. Buna karşılık, öğrenme algoritmaları doğrudan insanlar tarafından yazılmaz, ancak girdileri istenen çıkışlarla ilişkilendiren örnek veri kümelerinde eğitilir. Sonuç olarak, öğrenme algoritmaları kara kutular olarak kullanılır. Bu tür makine öğrenimlerinin çoğu artık hesaplama için yapay sinir ağlarına dayanan derin öğrenme kullanıyor.
Endüstriyel uygulamalar için basit makine öğrenimi, doğrudan hesaplamaya dayanarak daha güvenilir ve daha az hesaplamalı zorlayıcı olma eğilimindedir. Tabii ki, doğrudan hesaplama yoluyla elde edilebileceklerin sınırları vardır. Örneğin, gerekli gelişmiş tanıma modellerini tanımak için yüzler yapmayı asla ummaz ve özellikle kalabalık kamusal alanlarda video görüntülerinden değil. Buna karşılık, makine öğrenimi bu tür uygulamaları ustaca ele alabilir. Bu nedenle, makine öğreniminin düşük seviyeli makine görme işlemleri, özellikle görüntü geliştirme, restorasyon ve özellik algılama için giderek daha fazla konuşlandırılması şaşırtıcı değildir.
Geliştirilmiş öğretim yöntemleri (algoritmalar değil)
Derin öğrenme tekniklerinin artan karmaşıklığı, geliştirilmesi gereken öğrenme algoritmalarının değil, algoritmaların eğitilme şeklini açıkça ortaya koymuştur. Geliştirilmiş bir eğitim prosedürü veri merkezli bilgisayar görüşü olarak bilinir. Burada, derin bir öğrenme sistemi, binlerce, milyon ve hatta milyarlarca görüntüden oluşan çok sağlam bir eğitim setini kabul eder ve daha sonra her görüntüden algoritmaları tarafından çıkarılan sentezlenen bilgileri kurtarır. Bu algoritmalar, bunları çalışma örneklerine bağlayarak verimli bir şekilde öğrenir ve daha sonra doğru değerlerin türetildiğini doğrulamak için bir "Cevap Kitabı" na atıfta bulunur.
Dijital desen tanıma hakkında eski bir uyarıcı hikaye var. ABD ordusu bir zamanlar hedef tanıma için makine görüşünü kullanmayı amaçladı ve bir savunma yüklenicisinin gösterisi hem ABD hem de Rus tanklarını güvenilir bir şekilde tanımladı. Her farklı türden tanklar, birbiri ardına, tedarikçinin hava fotoğraflarından doğru bir şekilde ayırt edilebilir. Ancak, Pentagon'un kendi görüntü kütüphanesi ile tekrar test edildiğinde, sistem yanlış cevaplar vermeye devam etti. Sorun, savunma müteahhitlerinin resimlerinin hepsinin çölde Amerikan tanklarını ve yeşil tarlalardaki Rus tanklarını tasvir etmesiydi. Farklı tankları tanımlamak yerine, sistem farklı renkli arka planları tanımladı. Tanıma kriterleri nelerdir? Öğrenme algoritmaları, çalışmak için özenle küratörlü eğitim verilerinin gerektirilmesi gerekir.
Sonuç: Robotik çalışma hücreleri için güvenli bir vizyon
Makine görüşü artık niş bir teknoloji değil. Mevcut sürüşte, sanayi sektörü makine görüşü dağıtımları için en büyük büyüme alanıdır. Bu alandaki en dikkat çekici gelişme, Makine Vizyonu, bir işçi kask, maske veya diğer uygun koruyucu dişliler olmadan bir çalışma alanına girdiğinde, bir alarm veren veya ses bildirimleri veren sistemlerde güvenlik sistemlerini nasıl tamamladığıdır. Makine görme, forkliftler gibi makineleri hareket ettirirken uyarı yapan sistemlerde de kullanılabilir.
Bu ve benzeri makine görme sistemleri bazen operasyonları daha verimli hale getirmek için endüstriyel robotlar etrafında sert koruyucu önlemlerin yerini alabilir. Makine görme sistemleri, çalışma hücresine giren bir işçi tespit edildiğinde, makineleri durduran ışık korumasına dayalı olarak güvenlik sistemlerinin yerini alabilir veya geliştirebilir. Makine Vizyonu bir çalışma hücresi etrafında fabrika zemini izlediğinde, o hücredeki robotlar, insanlar yaklaştıkça yavaş yavaş yavaşlama potansiyeline sahiptir.
Endüstriyel ortamların tasarımı, tesis personelinin güvenli bir şekilde dolaşmasına izin veren (ekipman çalışırken bile) işbirlikçi robotları ve diğer iş hücresi ekipmanlarını barındırmak için geliştikçe, bunlar ve diğer makine görme tabanlı sistemler bitki süreçlerinin daha yaygın bir parçası haline gelecektir.