قیمت 25,000 تومان 15,000 تومان

امتیاز 0 از 0 رأی
بدون امتیاز 0 رای
25,000 تومان 15,000 تومان

بینایی ماشین

ماشین بینایی روشی برای تبدیل یک تصویر به صورت دیجیتال و انجام برخی از عملیات بر روی آن، به منظور دریافت یک تصویر بهبود یافته و یا برای استخراج برخی از اطلاعات مفید از آن است. این فناوری به کامپیوتر اجازه می‌دهد که ببیند و پردازش کند و  تصمیم بگیرد و به سیستم‌های کنترلی خود فرمان های لازم جهت رد و قبول تولیدات درجه بندی و… را صادر کند این فناوری می‌تواند صدها برابر از چشم انسان دقیق تر ،سریعتر و عملکردی با کمترین خطا داشته باشد.ماشین بینایی به عنوان یک ابزار مهندسی در ابزارهای دیجیتال و در شبکه‌های کامپیوتری، برای کنترل ابزارهای صنعتی دیگر از قبیل کنترل بازوهای روبات و یا خارج کردن تجهیزات معیوب به کار می‌رود. در حقیقت ماشین بینایی شاخه‌ای از علم مهندسی است که به رشته‌های علوم کامپیوتری (Computer science) و علم نورشناسی و مهندسی مکانیک و اتوماسیون صنعتی ارتباط دارد. یکی از مهمترین پر استفاده‌ترین کاربردهای آن در بازبینی و بررسی کالاهای صنعتی از جمله نیمه هادیها، اتومبیل‌ها، مواد خوراکی و دارو می‌باشد. همانند نیروی انسانی که با چشم غیر مسلح در خط تولید کالاها را برای تعیین کیفیت و نوع ساخت آنها بازبینی می‌کنند، ماشین بینایی از دوربین‌های دیجیتال و دوربین‌های هوشمند و نرم‌افزارهای پردازش تصویر برای این کار استفاده می‌کند. مطالعات مرتبط نشان مي دهد که امروزه، سيستم هاي بينايي ماشين راهکاري به صرفه ، پايدار، سريع و دقيق را براي کنترل کيفيت آني محصولات در اختيار مي گذارند. سیاری از کارهای کلیدی در ساخت محصولات ، شامل بازرسی، جهت‌یابی ، تشخیص هویت و مونتاژ نیازمند استفاده از تکنیک های بصری است و از آنجا که چشم انسان و واکنش آن می‌تواند درگیر مواردی شامل سرعت آهسته و خطاهای ناشی از خستگی باشد، با جایگزین کردن ماشین بینایی به‌جای بازرسی‌های انسانی ، می‌توان تحول چشمگیری را در فرآیندهای مکانیزاسیون کارخانه ایجاد کرد ، گرچه پیاده‌سازی آن نیازمند تطبیق دقیق تنظیمات سیستم ماشین بینایی با نیازمندهای پروژه دارد. در حال حاضر صنعت  از سیستم ماشین بینایی برای بازبینی تصویری اشیاء (Visual inspection) که نیاز به‌سرعت بالا و دقت بالا و کار ۲۴ ساعته و تکرار محاسبات بالا دارد، استفاده زیادی می کند.

لبه یابی

فرآیند تشخیص لبه یکی از مهمترین تکنیک های کارآمد و مفید در پردازش تصویر به ویژه در جداسازی و شناسایی چارچوب اصلی تصویر می باشد؛ شیوه های متفاوتی جهت آشکارسازی لبه دریک تصویر وجود دارد که اغلب با مشکلاتی نظیر از میان رفتن داده های تصویر اصلی و عدم توانایی در لبه یابی در زوایای گوناگون مواجه هستند. هدف از تشخیص لبه، مکان یابی مرزهایی از اشیائ در یک تصویر است که پایه و اساس تجزیه و تحلیل تصویر و بینایی ماشین محسوب می شود. با توجه به اهمیت تشخیص لبه ها، تاکنون الگوریتم های زیادی برای استخراج لبه ها پیشنهاد شده است. معمولا هر کدام از این روش ها تنها بخشی از لبه ها را آشکار ساخته و به این ترتیب برخی از لبه های واقعی توسط الگوریتم تشخیص داده نمی‌شوند. همچنین این امکان نیز وجود دارد که برخی نقاط به اشتباه به عنوان لبه دسته بندی شوند. با در نظر گرفتن این مورد، در این بخش  به مطالعه و ارزیابی روش های تشخیص لبه در تصاویر دیجیتال پرداخته می شود. هدف آشکارسازی لبه نشان‌گذاری نقاطی از یک تصویر است که در آنها شدت روشنایی به تندی تغییر می‌کند. تغییرات تند در خصوصیات تصویر معمولاً نمایندهٔ رویدادهای مهم و تغییرات در خصوصیات محیط هستند. شناسایی لبه یک محدودهٔ تحقیقاتی در پردازش تصویر و استخراج ویژگی است. لبه‌ها ممکن است وابسته به دیدگاه باشند – یعنی می‌توانند با تغییر نقطه دید تغییر کنند، و نوعاً هندسه صحنه، اجسامی که جلوی همدیگر را گرفته‌اند و مانند آن را نشان می‌دهند یا ممکن است نابسته به دیدگاه باشند – که معمولاً نمایانگر ویژگی‌های اجسام دیده‌شده همچون نشان‌گذاری‌ها و شکل سطح باشند. در دو بعد و بالاتر مفهوم تصویر باید در نظر گرفته شود.یک لبه نوعی ممکن است(برای نمونه) مرز میان یک بخش قرمزرنگ و یک بخش سیاه‌رنگ باشد؛ حال آنکه یک خط می‌تواند تعداد کمی پیکسل‌های ناهمرنگ در یک زمینه یکنواخت باشد. در هر سوی خط یک لبه وجود خواهد داشت. لبه‌ها نقش مهمی در کاربردهای پردازش تصویر دارند.

الگوریتم هاف

یک مشکل رایج در بینایی ماشین تعیین موقعیت، تعداد یا جهت اشیاء خاص در تصویر می باشد. به عنوان مثال مسئله می تواند تعیین جاده‌های مستقیم در تصاویر هوایی باشد. این مشکل با استفاده از تبدیل هاف برای خطوط قابل حل می باشد. اغلب اشیاء مورد علاقه شکل هایی غیر از خط دارند مثل دایره، بیضی یا هر شکل دلخواه دیگر. با وجود اینکه پیچیدگی تبدیل هاف با افزایش تعداد پارامترهای مورد نیاز برای توصیف شکل مورد نظر افزایش می یابد، تبدیل عادی و عمومی هاف می تواند روی هر نوع شکلی استفاده شود. پروسه یافتن دایره در یک تصویر به کمک تبدیل هاف بصورت زیر است : ابتدا تمام لبه‌ها در تصویر مشخص می شوند. این بخش ارتباطی به تبدیل هاف ندارد و هر تکنیک تشخیص لبه دلخواه مثل سوبل یا کَنی یا هر عمل ریخت‌شناسی دیگر می تواند مورد استفاده قرار گیرد. سپس در هر نقطه لبه یک دایره به مرکزیت نقطه مورد نظر با شعاع دلخواه ترسیم می شود. این دایره در فضای پارامتری طوری ترسیم می‌شود که محور x مؤلفه a و محور y مؤلفه b و محور z شعاع دایره را مدل می کند. در مختصاتی که متعلق به محیط دایره ترسیم شده هستند، مقدار ماتریس انباره که اندازه ای برابر با فضای پارامترها دارد، افزایش داده می شود. بدین طریق تمامی نقاط لبه تصویر اصلی با ترسیم دایره ای به شعاع دلخواه و افزایش مقادیر در انباره، بررسی می شوند. پس از این، انباره شامل اعدادی است که بیانگر تعداد دایره‌های عبور کننده از یک مختصات منحصربه‌فرد می باشد. بنابراین اعداد بزرگتر که بصورت هوشمند با توجه به شعاع انتخاب می شوند، متناظر با مراکز دایره‌های در تصویر اصلی می باشند.

چسباندن تصاویر  یا panorama کردن تصاویر

  منظور از panorama کردن تصاویر چسباندن دو یا چند تصویر مختلف به همدیگر است. که برای این کار از ویژگی های مهم تصویر ازجمله نقاط کلیدی تصویر استفاده میکنن. در پانورما کردن چون بین تصاویر overlapوجود داره لذا میتوان تصاویر را بهم چسباند. در کل مراحل کلی برای پانوراما کردن تصاویر به صورت زیر است :

  • پیش پردازش تصویرها
  • استخراج نقاط کلیدی با هریس یا sift
  • محدوده نقاط کلیدی به وسیله تشریح کننده sift تعریف می شود
  • با یک روش خاص میزان انتقال و میزان مقیاس بین دو تصویر بدست میایید.یعنی اینکه تصاویر نسبت به هم تا چه اندازه بچرخن و تغییر اندازه بدهند.
  • و از این مقادیر برای هم راستا کردن و تراز کردن تصاویر استفاده میشود.
  • برای تطبیق نقاط کلیدی در فصل مشترک دو تصویر یکسری نقاط کلیدی وجو دارند که قبلا انها را استخراج کردیم و بعد باید discreatior های مربوط به نقاط کلیدی را مشخص کنیم.و بعد از فاصله اقلیدسی برای برای تطبیق نقاط استفاده میکنیم.

شناسایی چهره با  الگوریتم PCA

pcaيک الگوريتم يا مدل خطي است که براي استخراج ، چند مولفه مهم و کاهش بعد فضاي ويژگي استفاده مي شود تا مشخصه هاي مهم شي تحت تشخيص را به دس ت آورد. ايده اصلي اين روش در يافتن مولفه هايي متعامد است که در حد امکان بيشترين مقدار واريانس را بيان کند . در عمل، نوعا ً مي خواهيم که داده را با استخراج چند مولفه مهم در ابعاد کوچک تر نشان دهيم به طوري که بيشتر ساختارهاي موجود در داده حفظ گردد. تکنیک PCA بهترین روش برای کاهش ابعاد داده به صورت خطی می باشد. یعنی با حذف ضرایب کم­اهمیت بدست آمده از این تبدیل، اطلاعات از دست رفته نسبت به روشهای دیگر کمتر است. البته کاربرد PCA محدود به کاهش ابعاد داده نمی شود و در زمینه ­های دیگری نیز کاربرد آن متداول است مانند شناسایی الگو و تشخیص چهره نیز مورد استفاده قرار می ­گیرد. در این روش محورهای مختصات جدیدی برای داده ­ها تعریف شده و داده­ ها براساس این محورهای مختصات جدید بیان می ­شوند.

در این پروژه با استفاده از تحلیل اجزای اصلی (PCA) تشخیص چهره انجام می ­شود. در ابتدا مراحل آماده سازیالگوریتم به شرح زیر طی می ­شوند که در واقع مراحل لازم برای آموزش سیستم می ­باشند.

تشخیص سیب از گلابی با استفاده از استخراج ویژگی ها از تصویر

تشخيص شي به شناسايي انواع اشياي موجود در يک تصوير گفته می­شود. کار اصلی يک سيستم تشخيص، شناسايي انواع اشيای موجود در يک تصوير مي­باشد. امروزه شناسايي اشيا در تصاوير كاربردهاي وسيعي پيدا كرده است. يكي از اين كاربردها استفاده از اين الگوريتم­ها براي كمك به راننده در تشخيص اشياء به منظور جلوگيري از برخورد با آن­ها مي­باشد. مورد كاربرد ديگر كمك به نابينايان در شناسايي اشياء اطراف آنها است و البته استفاده از شناسايي اشياء در كاربردهاي نظامي يكي از كاربردهايي است كه به پيشرفت آن كمك شاياني كرده است. ماشين بينايي و تعيين هويت افراد از ديگر كاربردهاي شناسايي اشياء مي­باشد. مسأله­ی تشخیص اشیا در تصویر، هرچند موضوعی قدیمی است و تلاش­های زیادی برای پیشرفت آن صورت گرفته است، اما همچنان مسأله­ای پیچیده و زمینه­ای فعال برای بسیاری از پژوهشگران است؛ چرا که با وجود پیشرفت­های زیاد، هنوز روش­های موجود، دقت و سرعت کافی جهت استفاده در بسیاری از کاربردهای پیچیده ی واقعی را ندارند.  در این سمینار به مطالعه و ارزیابی روش­های تشخیص اشیاء بروی تصاویر پرداخته می­شود. استخراج ویژگی ها به این مفهوم است که اطلاعات مختلفی در مورد قسمت خاصی از تصویر بدست آوریم. مثلا تعداد دانه های برنج دریک تصویر ، یا تشیخص چره و اثر انگشت و یا اندازه گیری ابعاد یک شی و یا دنبال کردن یک شی و …. . در پیاده سازی این پروژه ما از ویژگی eccentrinity برای تشخیص سیب از گلابی استفاده کردیم.یعنی ویژگی هایی که از قطرهای شکل میگذرد.میتوان نسبت قطرهای دو تصویر را محاسبه کرد و چون نسبت قطرها در گلابی بیشتر از نسبت قطرها در سیب است   که تصویر چرخش نداشته باشد. میتوان از این طریق شی را تشخیص داد. اگر تصویرها چرخش داشته باشند باید مقدار استانه را تغییر داد.

هدف از این پروژه 

در این پروژه که تقریبا مباحث مهم بینایی ماشین را شامل میشود .هدف یافتن بعضی اشیا در تصویر و هم چنین طبقه بندی تصاویر از جمله تشخیص چهره با الگوریتم pca است. بخش اول پروژه در مورد  یافتن لبه در تصاویر است که بدین منظور باید از الگوریتم های مختلف لبه یابی تصاویر از جمله (canny –sobel- Robert,..) به منظور یافتن نقاط لبه استفاده شود و بتوان لبه های تصاویر را با الگوریتم های مربوطه استخراج کرد .بخش دوم پروژه در مورد  الگوریتم hough است . که در ان هدف پیدا کردن خطوط و هم چنین دایره و بیضی در تصویر است. در بخش سوم پروژه روی یافتن نقاط کلیدی تصاویر و همچنین عملیات panorama دو یا چند تصویر تمرکز میکند که با استفاده از یافتن نقاط کلیدی(cornner) یک تصویر یا چند تصویر و بعد عملیات تناظر  یک به یک میتواند عملیات چسپاندن دو یا چند تصویر را انجام دهد.در بخش چهارم پروژه که مربوط به بحث شناسایی چهره با الگوریتم pca است.باید بتواند با استفاده از دیتاست air تصاویر مورد نظر را با pca به صورت یک مساله طبقه بندی با کلاسیفایر مناسب شناسایی کند.در بخش پنجم از پروژه که هدف تشخیص گلابی و سیب در تصاویر است به طوری که بتوان با استفاده از ویژگی هایی که از تصاویر استخراج میشود عملیات تشخیص سیب از گلابی را برای دیتاست تعریف شده انجام دهد. تمامی این پروژه عالی با زبان قدرتمند جاوا و کدنویسی استاندارد و قابل فهم نوشته شده است. که کامل کدهای پروژه توضیح داده شده است. بدون شک یکی از بهترین و کامل ترین پروژه بینایی ماشین است که از کیفیت بالایی برخوردار است.

تصاویری از محیط پروژه :

قابلیت های این پروژه گرافیکی

استخراج لبه از تصاویر با الگوریتم های مختلف لبه یابی فایل های ضمیمه

پیش نمایش
خصوصی

یافتن خطوط و دایره و بیضی در تصاویر با الگوریتم هاف فایل های ضمیمه

خصوصی

چسباندن تصاویر به هم یا panorama کردن تصاویر فایل های ضمیمه

خصوصی

شناسایی چهره با الگوریتم PCA فایل های ضمیمه

خصوصی

تشخیص سیب از گلابی با استخراج ویژگی ها از تصویر فایل های ضمیمه

خصوصی

شناسایی امضا در تصویر فایل های ضمیمه

خصوصی

توضیح کدهای پروژه و داکیومنت مجزا برای هر بخش فایل های ضمیمه

خصوصی

فیلم آموزشی نحوه اجرا و کار کردن با آن ویدئو

خصوصی

moreدوره های مرتبط

آزمون آماری برای ارزیابی دقت طبقه بندها

آزمون های آماری در علم آمار آزمون فرض روشی برای بررسی ادعاها یا فرض ها درباره پارامترهای توزیع در جوامع…

30,000 تومان 15,000 تومان

انتخاب واحد هوشمند و پیش بینی نمرات

طبقه بندی  : مهم ترین مساله دنیا که بشر با ان سرو کار دارد. نتیجه گیری های مهمی که از…
30,000 تومان 15,000 تومان

پروژه پردازش تصویر در #C

پردازش تصویر: بیش از ۹۰ درصد اطلاعات پیرامون ما به وسیله ی مشاهده صورت می پذیرد. با پیشرفت فناوری امکان…
20,000 تومان 15,000 تومان

سیستم چند عامله برای خرید و فروش سهام با کتابخانه Jade

 JADE چیست ؟ (JADE -Java Agent Development Framework)  یک قالب توسعه ­ی نرم ­افزاری است که هدف از آن توسعه­…
30,000 تومان 20,000 تومان

chat_bubble_outlineنظرات

قوانین ثبت دیدگاه

  • دیدگاه های فینگلیش تایید نخواهند شد.
  • دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
  • از درج دیدگاه های تکراری پرهیز نمایید.
  • امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *